Chap1-2-3-Probabilité L2 LMD Mines Pétrole Génie Civil-3-56

Chapitre 1
Notions de base
Dans ce chapitre, nous présentons quelques concepts et définitions de base. Nous commençons
par une brève discussion sur ce qu’est la probabilité. Puis nous passons en revue certaines bases
mathématiques nécessaires au développement de la théorie des probabilités. Nous abordons ensuite
les notions d’expériences aléatoires et les axiomes de la probabilité. Nous introduisons ensuite les
modèles de probabilité discrets et continus. Enfin, nous discutons de la probabilité conditionnelle.
1.1 Introduction : Qu’est-ce que la probabilité ?

L’aléatoire et l’incertitude existent dans nos vies quotidiennes ainsi que dans toutes les disciplines de
la science, de l’ingénierie et de la technologie. La théorie des probabilités est un cadre mathématique
qui nous permet de décrire et d’analyser des phénomènes aléatoires dans le monde qui nous entoure.
Par phénomènes aléatoires, nous entendons des événements ou des expériences dont nous ne pouvons
prédire avec certitude les résultats.
Considérons quelques applications spécifiques de la probabilité afin d’obtenir une certaine intuition.
Tout d’abord, réfléchissons plus attentivement à ce que nous entendons par les termes ”aléatoire” et
”probabilité” dans le contexte de l’une des expériences aléatoires les plus simples possibles : lancer
d’une pièce de monnaie équilibrée.
Une façon de penser à l’≪ aléatoire ≫ est que c’est une façon d’exprimer ce que nous ne savons
pas. Peut-être que si nous en savions plus sur la force avec laquelle j’ai lancé la pièce, l’orientation
initiale de la pièce, le point d’impact entre mon doigt et la pièce, la turbulence dans l’air, la douceur
de la surface de la table sur laquelle la pièce atterrit, les matériaux caractéristiques de la pièce et
de la table, etc., nous serions en mesure de dire avec certitude si la pièce tomberait pile ou face.
Cependant, en l’absence de toutes ces informations, nous ne pouvons pas prédire le résultat du tirage
au sort. Lorsque nous disons que quelque chose est aléatoire, nous disons que notre connaissance du
résultat est limitée, nous ne pouvons donc pas être certains de ce qui se passera.
Étant donné que la pièce est équilibrée, si nous ne savons rien sur la façon dont elle a été lancée,
la probabilité qu’elle tombe face est de 50%, ou 21 . Qu’entend-on exactement par là ? Il existe deux
interprétations courantes du mot ≪ probabilité ≫. L’un est en termes de fréquence relative. En
2 2
Ambo Amandure Jean-Médard, Cours de Probabilité, L2 LMD Mines, Pétrole et Génie Civil, 2022-2023
d’autres termes, si nous lançons la pièce un très grand nombre de fois, elle tombera face pour environ
1
2 de fois. Au fur et à mesure que le nombre de lancers de pièces augmente, la proportion de piles (ou
faces) aura tendance à se rapprocher de plus en plus de 12 . En fait, cette compréhension intuitive de la
probabilité est un cas particulier de la loi des grands nombres, que nous énoncerons formellement
dans les chapitres ultérieurs.
Une deuxième interprétation de la probabilité est qu’il s’agit d’une quantification de notre degré de
croyance personnelle subjective que quelque chose va se passer. Pour avoir une idée de ce que
nous entendons par là, il peut être utile de considérer un deuxième exemple : la prévision du temps.
Lorsque nous pensons aux chances qu’il pleuve aujourd’hui, nous considérons des choses comme s’il
y a des nuages dans le ciel et l’humidité. Cependant, les croyances que nous formons sur la base de
ces facteurs peuvent varier d’une personne à l’autre − différentes personnes peuvent faire des esti-
mations différentes de la probabilité qu’il pleuve. Souvent, ces deux interprétations de la probabilité
coı̈ncident − par exemple, nous pouvons fonder nos croyances personnelles sur la probabilité qu’il
pleuve sur une évaluation de la fréquence relative de la pluie les jours avec des conditions comme
aujourd’hui. La probabilité est utilisée comme un outil majeur dans les sciences de l’ingénieur et dans
beaucoup d’autres disciplines.
La beauté de la théorie des probabilités est qu’elle est applicable quelle que soit l’interprétation de
la probabilité que nous utilisons (c’est-à-dire en termes de fréquence à long terme ou de degré de
croyance). La théorie des probabilités fournit un cadre solide pour étudier les phénomènes aléatoires.
Elle commence par supposer des axiomes de probabilité, puis construit toute la théorie à l’aide d’ar-
guments mathématiques.
1.2 Rappel de quelques notions de la théorie des ensembles

La théorie des probabilités utilise le langage des ensembles. Comme nous le verrons plus tard, la
probabilité est définie et calculée pour les ensembles. Ainsi, nous passons brièvement en revue ici
quelques concepts de base de la théorie des ensembles qui sont utilisés dans ce cours. Nous dis-
cutons des notations d’ensemble, des définitions et des opérations (telles que les intersections et
les unions). Nous introduisons ensuite les ensembles dénombrables et indénombrables. Enfin, nous
discutons brièvement des fonctions. Cette section peut sembler quelque peu théorique et donc moins
intéressante que le reste du cours, mais elle pose les bases de ce qui va suivre.
Un ensemble est une collection d’ objets (éléments). On utilise souvent des majuscules pour désigner
un ensemble. Pour définir un ensemble on peut simplement lister tous les éléments entre accolades,
par exemple pour définir un ensemble A qui se compose de deux éléments ♣ et ♢, nous écrivons
A = {♣, ♢}. Dire que ♢ appartient à A, nous écrivons ♢ ∈ A, où ”∈” se prononce ”appartient
à”. Pour dire qu’un élément n’appartient pas à un ensemble, on utilise ∈
/. Par exemple, nous pouvons
écrire ♡ ∈
/ A.
Un ensemble est une collection d’objets (éléments).
3
Notez que l’ ordre n’a pas d’importance dans un ensemble. Par exemple, les deux ensembles {♣, ♢}
et {♢, ♣} sont égaux. Souvent on travaille avec des ensembles des nombres dont quelques uns sont
listés dans l’exemple (1.1).
Exemple 1.1. Quelques ensembles utilisés dans ce cours :
• L’ensemble des nombres naturels, N = {0, 1, 2, 3, · · · }.

• L’ensemble des entiers, Z = {· · · , −3, −2, −1, 0, 1, 2, 3, · · · }.
• L’ensemble des nombres rationnels Q.
• L’ensemble des nombres réels R.
• Intervalles fermés sur la ligne réelle. Par exemple, [2, 3] est l’ensemble de tous les nombres
réels x tel que 2 ⩽ x ⩽ 3.
• Intervalles ouverts sur la ligne réelle. Par exemple ] − 1, 3[ est l’ensemble de tous les nombres
réels x tel que −1 < x < 3.
• De même, [1, 2[ est l’ensemble de tous les nombres réels x tel que 1 ⩽ x < 2.
• L’ensemble des nombres
√ complexes C est l’ensemble des nombres sous la forme a + bi, où
a, b ∈ R, et i = −1.
Nous pouvons également définir un ensemble en énonçant mathématiquement les propriétés satis-
faites par les éléments de l’ensemble. En particulier, on peut écrire :
A = { x | x satisfait une propriété} ou A = { x : x satisfait une propriété}
Les symboles ”|” et ” :” se prononcent ”tel que”.
Exemple 1.2. Voici quelques exemples d’ensembles définis par l’ énoncé de leurs propriétés :
• Si l’ensemble C est défini comme C = { x | x ∈ Z, −2 ⩽ x < 10}, alors C = {−2, −1, 0, · · · , 9}.
• Si l’ensemble D est défini comme D = { x2 | x ∈ N}, alors D = {1, 4, 9, 16, · · · }.
• L’ensemble des nombres rationnels peut être défini comme Q = { ba | a, b ∈ Z, b ̸= 0}.
• Pour les nombres réels a et b, où a < b, nous pouvons écrire ] a, b] = { x ∈ R | a < x ⩽ b}.
√
• C = { a + bi | a, b ∈ R, i = −1}.
Un ensemble A est un sous-ensemble de l’ensemble B si chaque élément de A est aussi un élément

de B. Nous écrivons A ⊂ B, où ”⊂” indique ”sous-ensemble”. De manière équivalente, nous disons
B est un sur-ensemble de A, ou B ⊃ A.
Exemple 1.3. Voici quelques exemples d’ensembles et de leurs sous-ensembles :
4
• Si E = {1, 4} et C = {1, 4, 9}, alors E ⊂ C.
• N ⊂ Z.
• Q ⊂ R.
Deux ensembles sont égaux s’ils ont exactement les mêmes éléments. Ainsi, A = B si et seulement
si A ⊂ B et B ⊂ A. Par exemple, {1, 2, 3} = {3, 2, 1}, et { a, a, b} = { a, b}. L’ensemble sans
élément, noté ∅ = {} est l’ ensemble vide. Pour tout ensemble A, ∅ ⊂ A.
L’ ensemble fondamental ou l’ univers est l’ensemble de toutes les choses que nous pourrions
envisager dans le contexte que nous étudions. Ainsi chaque ensemble A est un sous-ensemble de l’
univers. Dans ce cours, nous désignons l’ensemble fondamental par S ou Ω. Par exemple, si nous
lançons un dé, l’ ensemble fondamental peut être défini comme S = {1, 2, 3, 4, 5, 6}, ou si nous
lançons une pièce de monnaie une fois, l’ ensemble fondamental est S = { H, T } (H pour face et T
pour pile).
1.2.1 Diagrammes de Venn

Les diagrammes de Venn sont très utiles pour visualiser les relations entre les ensembles. Dans un
diagramme de Venn, tout ensemble est représenté par une région fermée. La figure (1.1a) montre un
exemple de diagramme de Venn. Dans cette figure, le grand rectangle montre l’univers S. La zone
ombrée montre un autre ensemble A. La figure (1.1b) montre deux ensembles A et B, où B ⊂ A.
(b) Diagramme de Venn

pour deux ensembles A et
(a) Diagrammes de Venn. B, où B ⊂ A.
Figure 1.1
1.2.2 Opérations sur les ensembles

Union
L’ union de deux ensembles est un ensemble contenant tous les éléments qui sont dans A ou dans
B (éventuellement les deux). Par exemple, {1, 2} ∪ {2, 3} = {1, 2, 3}. Ainsi, nous pouvons écrire
x ∈ ( A ∪ B) si et seulement si ( x ∈ A) ou ( x ∈ B). Notez que A ∪ B = B ∪ A. Dans la figure
(1.2), l’union des ensembles A et B est représenté par la zone ombrée dans le diagramme de Venn.
5
Figure 1.2 – Ensemble A ∪ B.
De même, nous pouvons définir l’union de trois ensembles ou plus. En particulier, si A1 , A2 , A3 ,· · · ,

An sont n ensembles, leur union A1 ∪ A2 ∪ A3 · · · ∪ An est un ensemble contenant tous les éléments
qui sont dans au moins un des ensembles. On peut écrire cette union de manière plus compacte par
Sn
i =1 A i .
Par exemple, si A1 = { a, b, c}, A2 = {c, h}, A3 = { a, d}, alors i Ai = A1 ∪ A2 ∪ A3 =

S
{ a, b, c, h, d}. On peut de même définir l’union d’une infinité d’ensembles A1 ∪ A2 ∪ A3 ∪ · · · .
Intersection
L’ intersection de deux ensembles A et B, notée par A ∩ B, se compose de tous les éléments qui
sont à la fois dans A et B. Par exemple, {1, 2} ∩ {2, 3} = {2}. Dans la figure (1.3a), l’intersection
des ensembles A et B est représentée par la zone ombrée à l’aide d’un diagramme de Venn.
(a) Ensemble A ∩ B. (b) Ensemble A ∩ B ∩ C.
Figure 1.3
Plus généralement, pour les ensembles A1 , A2 , A3 , · · · , leur intersection i Ai est défini comme
T
l’ensemble constitué des éléments qui sont dans tous Ai . La figure (1.3b) montre l’intersection de
trois ensembles.
6
Complément
Le complément d’un ensemble A, noté par Ac ou Ā, est l’ensemble de tous les éléments qui sont
dans l’univers S mais ne sont pas dans A. Dans la Figure (1.4a), Ā est représenté par la zone ombrée
à l’aide d’un diagramme de Venn.
(a) La zone grise montre (b) La zone grise montre l’en-

l’ensemble Ā = Ac . semble A − B.
Figure 1.4
Différence
La différence (soustraction) est définie comme suit. L’ensemble A − B (A \ B) se compose
d’éléments qui se trouvent dans A mais pas dans B. Par exemple si A = {1, 2, 3} et B = {3, 5},
alors A − B = {1, 2}. Dans la Figure (1.4b), A − B est représenté par la zone ombrée à l’aide d’un
diagramme de Venn. Notez que A − B = A ∩ Bc .
Ensembles disjoints et partition

Deux ensembles A et B sont mutuellement exclusifs ou disjoints s’ils n’ont pas d’éléments communs ;
c’est-à-dire que leur intersection est l’ensemble vide, A ∩ B = ∅. Plus généralement, plusieurs
ensembles sont dits disjoints s’ils sont deux à deux disjoints, c’est-à-dire que deux d’entre eux ne
partagent pas un élément commun. La figure (1.5a) montre trois ensembles disjoints.
(b) La collection d’ensembles

(a) Les ensembles A, B, et C A1 , A2 , A3 et A4 est une par-
sont disjoints. tition de S.
Figure 1.5
7
La surface de la Terre (ensemble fondamental) est divisée en différents continents. De même, un
pays est divisé en différentes provinces ou régions. En général, une collection d’ensembles non vides
A1 , A2 ,·, · · · , An est une partition d’un ensemble A s’ils sont disjoints et que leur union est A.
Dans la figure (1.5b), les ensembles A1 , A2 , A3 et A4 forment une partition de l’univers S.
Voici quelques règles qui sont souvent utiles lorsque vous travaillez avec des ensembles. Nous verrons
bientôt des exemples de leur utilisation.
Théorème 1.1 (Loi de De Morgan). Pour tous les ensembles A1 , A2 ,· · · , An , on a
• ( A1 ∪ A2 ∪ A3 ∪ · · · An )c = A1c ∩ A2c ∩ A3c · · · ∩ Acn ;

• ( A1 ∩ A2 ∩ A3 ∩ · · · An )c = A1c ∪ A2c ∪ A3c · · · ∪ Acn .
Théorème 1.2 (Loi distributive). Pour tous les ensembles A, B, et C on a
• A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C );
• A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ).
Exemple 1.4. Si l’univers est donné par S = {1, 2, 3, 4, 5, 6}, et A = {1, 2}, B = {2, 4, 5},
C = {1, 5, 6} sont trois ensembles, trouver les ensembles suivants :
a) A ∪ B
b) A ∩ B
c) A
d) B
e) Vérifiez la loi de De Morgan en trouvant ( A ∪ B)c et Ac ∩ Bc .
f) Vérifiez la loi distributive en trouvant A ∩ ( B ∪ C ) et ( A ∩ B) ∪ ( A ∩ C ).
Solution
a) A ∪ B = {1, 2, 4, 5}.
b) A ∩ B = {2}.
c) A = {3, 4, 5, 6}( A se compose d’éléments qui se trouvent dans S mais pas dans A).
d) B = {1, 3, 6}.
e) Nous avons ( A ∪ B)c = {1, 2, 4, 5}c = {3, 6}, qui est le même que Ac ∩ Bc = {3, 4, 5, 6} ∩
{1, 3, 6} = {3, 6}.
f) Nous avons A ∩ ( B ∪ C ) = {1, 2} ∩ {1, 2, 4, 5, 6} = {1, 2}, qui est le même que ( A ∩ B) ∪
( A ∩ C ) = {2} ∪ {1} = {1, 2}.
8
Produit cartésien
Un produit cartésien de deux ensembles A et B, écrit comme A × B, est l’ensemble contenant les
paires ordonnées de A et B. C’est-à-dire si C = A × B, alors chaque élément de C est de la forme
( x, y), où x ∈ A et y ∈ B :
A × B = {( x, y)| x ∈ A et y ∈ B}.
Par exemple, si A = {1, 2, 3} et B = { H, T }, alors
A × B = {(1, H ), (1, T ), (2, H ), (2, T ), (3, H ), (3, T )}.
Notez qu’ici les paires sont ordonnées, donc par exemple,(1, H ) ̸= ( H, 1). Ainsi A × B n’est pas
le même que B × A.
Si vous avez deux ensembles finis A et B, où A a M éléments et B a N éléments, alors A × B a

MN éléments. Cette règle s’appelle le principe de multiplication et est très utile pour compter le
nombre d’éléments dans des ensembles. Le nombre d’éléments d’un ensemble est noté | A|, donc ici
on écrit | A| = M, | B| = N, et | A × B| = MN. Dans l’exemple (1.4), | A| = 3, | B| = 2, Donc
| A × B| = 3 × 2 = 6. On peut de même définir le produit cartésien de n ensembles A1 , A2 , · · · ,
An comme
A1 × A2 × A3 × · · · × An = {( x1 , x2 , · · · , xn )| x1 ∈ A1 et x2 ∈ A2 et · · · xn ∈ An }.
Le principe de multiplication stipule que pour des ensembles finis A1 , A2 , · · · , An , si
| A1 | = M1 , | A2 | = M2 , · · · , | An | = Mn ,
alors
| A1 × A2 × A3 × · · · × An |= M1 × M2 × M3 × · · · × Mn .
Un exemple important d’ensembles obtenus à l’aide d’un produit cartésien est Rn , où n est un
nombre naturel. Pour n = 2, on a
R2 = R × R = {( x, y)| x ∈ R, y ∈ R}.
Ainsi, R2 est l’ensemble constitué de tous les points du plan. De même, R3 = R × R × R, etc.
1.2.3 Cardinalité : ensembles dénombrables et indénombrables

La cardinalité d’un ensemble est le nombre d’éléments de cet ensemble. La cardinalité d’un ensemble
est notée | A|. Nous discutons d’abord de la cardinalité des ensembles finis, puis nous parlons des
ensembles infinis.
9
1.2.4 Ensembles finis
Considérons un ensemble A. Si A n’a qu’un nombre fini d’éléments, sa cardinalité est simplement le
nombre d’éléments dans A. Par exemple, si A = {2, 4, 6, 8, 10}, alors | A| = 5. Avant de discuter
des ensembles infinis, parlons d’une règle très utile : le principe d’inclusion-exclusion. Pour deux
ensembles finis A et B, on a
| A ∪ B | = | A | + | B | − | A ∩ B |.
Pour voir cela, notez que lorsque nous ajoutons | A| et | B|, nous comptons les éléments dans | A ∩ B|
deux fois, donc en le soustrayant de | A| + | B|, on obtient le nombre d’éléments dans | A ∪ B|. Nous
pouvons étendre la même idée à trois ensembles ou plus.
Principe d’inclusion-exclusion :
1. | A ∪ B| = | A| + | B| − | A ∩ B|,
2. | A ∪ B ∪ C | = | A| + | B| + |C | − | A ∩ B| − | A ∩ C | − | B ∩ C | + | A ∩ B ∩ C |.
Généralement, pour n ensembles finis A1 , A2 , A3 ,· · · , An , nous pouvons écrire
n n
∑ | Ai | − ∑ ∑ Ai ∩ A j ∩ Ak − · · · + (−1)n+1 | A1 ∩ · · · ∩ An |.
[
Ai = Ai ∩ A j +
i =1 i =1 i< j i < j<k
Exemple 1.5. Dans une fête,
10 personnes ont porté des chemises blanches ;
8 personnes ont porté des chemises rouges ;
4 personnes ont porté des chaussures noires et des chemises blanches ;
3 personnes ont porté des chaussures noires et des chemises rouges ;
le nombre total de personnes portant des chemises blanches ou rouges ou des chaussures noires
est 21.
Combien de personnes ont des chaussures noires ?
Solution
Soient W, R, et B le nombre de personnes portant respectivement des chemises blanches, des
chemises rouges et des chaussures noires. Ensuite, voici le récapitulatif des informations disponibles :
|W | = 10; | R| = 8; |W ∩ B| = 4; | R ∩ B| = 3; |W ∪ B ∪ R| = 21.
Aussi, il est raisonnable de supposer que W et R sont disjoints, |W ∩ R| = 0. Ainsi, en appliquant

le principe d’inclusion-exclusion, nous obtenons
10
|W ∪ R ∪ B| =21
=|W | + | R| + | B| − |W ∩ R| − |W ∩ B| − | R ∩ B| + |W ∩ R ∩ B|
=10 + 8 + | B| − 0 − 4 − 3 + 0.
Ainsi
| B| = 10.
Notez qu’une autre façon de résoudre ce problème consiste à utiliser un diagramme de Venn, comme
illustré à la figure (1.6).
Figure 1.6 – Diagramme de Venn inclusion-exclusion.
1.2.5 Ensembles infinis

Et qu’est-ce qui se passerait si A est un ensemble infini ? Il s’avère que nous devons faire la distinction
entre deux types d’ensembles infinis, où un type est significativement ”plus grand” que l’autre. En par-
ticulier, le premier type d’ensemble est dit dénombrable, tandis que l’autre est dit indénombrable.
Des ensembles tels que N et Z sont dénombrables, mais des ensembles ”plus grands” tels que R
sont dits indénombrables. La différence entre les deux types est que vous pouvez lister les éléments
d’un ensemble dénombrable A, c’est-à-dire que vous pouvez écrire A = { a1 , a2 , · · · }, mais vous ne
pouvez pas répertorier les éléments d’un ensemble indénombrable. Par exemple, vous pouvez écrire
N = {1, 2, 3, · · · },
Z = {0, 1, −1, 2, −2, 3, −3, · · · }.
Le fait que vous puissiez lister les éléments d’un ensemble dénombrable infini signifie que l’ensemble
peut être mis en correspondance biunivoque avec des nombres naturels N. En revanche, vous ne
pouvez pas lister les éléments dans R, c’est donc un ensemble indénombrable. Pour être précis, voici
la définition.
Définition 1.1. L’ensemble est dénombrable si l’une des conditions suivantes est vraie
a) si c’est un ensemble fini, | A| < ∞; ou
11
b) il peut être mis en correspondance biunivoque avec des nombres naturels N, auquel cas l’en-
semble est dit dénombrable infini.
Un ensemble est dit indénombrable s’il n’est pas dénombrable.
Voici une règle simple pour décider si un ensemble est dénombrable ou non. En ce qui concerne la
probabilité appliquée, cette ligne directrice devrait suffire dans la plupart des cas.
N, Z, Q, et tous leurs sous-ensembles sont dénombrables.
Tout ensemble contenant un intervalle sur la ligne réelle tel que [ a, b], ] a, b], [ a, b[, ou ] a, b[,
où a < b est indénombrable.
1.2.6 Fonctions
Nous avons souvent besoin du concept de fonctions en probabilité. Une fonction f prend une entrée
d’un ensemble spécifique, appelé domaine, et produit une sortie d’un autre ensemble, appelé co-
domaine. Ainsi, une fonction associe les éléments de l’ensemble de domaines aux éléments du
co-domaine avec la propriété que chaque entrée est associée à exactement une sortie. Pour une
fonction f , si x est un élément du domaine, alors la valeur de la fonction (la sortie de la fonction)
est représentée par f ( x ). Si A est le domaine et B est le co-domaine de la fonction f , nous utilisons
la notation suivante :
f : A → B.
Exemple 1.6.
Considérons la fonction f : R → R, défini comme f ( x ) = x2 . Cette fonction prend n’importe

quel nombre réel x et sorties x2 . Par exemple, f (2) = 4.
Considérons la fonction g : { H, T } → {0, 1}, défini comme g( H ) = 0 et g( T ) = 1. Cette

fonction ne peut prendre que deux entrées possibles H ou T, où H est associé à 0 et T est
mappé à 1.
La sortie d’une fonction f : A → B appartient toujours au co-domaine B. Cependant, toutes les

valeurs du co-domaine ne sont pas toujours couvertes par la fonction. Dans l’exemple ci-dessus,
f : R → R, la valeur de la fonction est toujours un nombre positif f ( x ) = x2 ⩾ 0.
Nous définissons l’image d’une fonction comme l’ensemble contenant toutes les valeurs possibles
de f ( x ). Ainsi, l’image d’une fonction est toujours un sous-ensemble de son co-domaine. Pour la
fonction ci-dessus f ( x ) = x2 , l’image de f est donnée par
Im( f ) = R+ = { x ∈ R| x ⩾ 0}.
La figure (1.7) montre graphiquement une fonction, son domaine, son co-domaine et son image. La
figure montre qu’un élément x dans le domaine est mappé à f ( x ) dans le périmètre.
12
Figure 1.7 – Fonction f : A → B, l’image est toujours un sous-ensemble du co-domaine.
Exercices
1. Soient A, B et C trois ensembles. Pour chacun des ensembles suivants, dessinez un diagramme
de Venn et ombrez la zone représentant l’ensemble donné.
a) A ∪ B ∪ C
b) A ∩ B ∩ C
c) A ∪ ( B ∩ C )
d) A − ( B ∩ C )
e) A ∪ ( B ∩ C )c
2. À l’aide des diagrammes de Venn, vérifiez les identités suivantes.
(a) A = ( A ∩ B) ∪ ( A − B)
(b) Si A et B sont des ensembles finis, on a
| A ∪ B| = | A| + | B| − | A ∩ B|
3. Soit S = {1, 2, 3}. Écrivez toutes les partitions possibles de S.
4. Déterminez si chacun des ensembles suivants est dénombrable ou indénombrable.
(a) A = { x ∈ Q| − 100 ⩽ x ⩽ 100}

(b) B = {( x, y)| x ∈ N, y ∈ Z}
(c) C =]0, 0.1]
(d) D = { n1 |n ∈ N∗ }
5. Trouver l’image de la fonction f : R → R défini comme f ( x ) = sin( x ).
13
1.3 Expériences aléatoires et probabilités
1.3.1 Expériences aléatoires
Avant de lancer un dé, vous ne connaissez pas le résultat. Ceci est un exemple d’expérience
aléatoire. En particulier, une expérience aléatoire est un processus par lequel nous observons quelque
chose d’incertain. Après l’expérience, le résultat de l’expérience aléatoire est connu. L’ensemble de
tous les résultats possibles est appelé ensemble fondamental (ou univers). Voici quelques exemples
d’expériences aléatoires et leurs univers :
Expérience aléatoire : lancer d’une pièce de monnaie ; univers : S = { f ace, pile} ou comme
nous l’écrivons habituellement, { H, T } (H pour heads (face) et T pour tails (pile) en anglais)
Expérience aléatoire : lancer d’un dé ; univers : S = {1, 2, 3, 4, 5, 6}.
Expérience aléatoire : observez le nombre des téléphones TECNO vendus par un magasin en
2022 ; univers : S = {0, 1, 2, 3, · · · }.
Expérience aléatoire : observez le nombre de buts dans un match de football ; univers : S =

{0, 1, 2, 3, · · · }.
Lorsque nous répétons plusieurs fois une expérience aléatoire, nous appelons chacune d’elles un essai.
Ainsi, un essai est une performance particulière d’une expérience aléatoire. Dans l’exemple du lancer
d’une pièce de monnaie, chaque essai se traduira par des faces ou des piles. Notez que l’univers est
défini en fonction de la façon dont vous définissez votre expérience aléatoire. Par exemple,
Exemple 1.7. Nous lançons une pièce trois fois et nous observons la séquence face/pile. L’univers
ici peut être défini comme
S = {( H, H, H ), ( H, H, T ), ( H, T, H ), ( T, H, H ), ( H, T, T ), ( T, H, T ), ( T, T, H ), ( T, T, T )}.
Notre objectif est d’attribuer une probabilité à certains événements. Par exemple, supposons que
nous voudrions connaı̂tre la probabilité que le résultat du lancer d’un dé équilibré soit un nombre
pair. Dans ce cas, notre événement est l’ensemble E = {2, 4, 6}. Si le résultat de notre expérience
aléatoire appartient à l’ensemble E, on dit que l’événement E s’est produit. Ainsi, un événement
est un ensemble de résultats possibles. En d’autres termes, un événement est un sous-ensemble de
l’univers auquel nous attribuons une probabilité. Bien que nous n’ayons pas encore discuté de la façon
de trouver la probabilité d’un événement, vous pourriez être en mesure de deviner que la probabilité
de {2, 4, 6} est 50% qui est le même que 12 dans la convention de la théorie des probabilités.
Résultat : Résultat d’une expérience aléatoire.

Univers : Ensemble de tous les résultats possibles.
Événement : Un sous-ensemble de l’univers.
Union et intersection : si A et B sont des événements, alors A ∪ B et A ∩ B sont aussi des

événements. En se souvenant de la définition de l’union et de l’intersection, on observe que A ∪ B
se produit si A ou B se produit. De même, A ∩ B se produit si les deux A et B se produisent. De
14
même, si A1 , A2 ,· · · , An sont des événements, alors l’événement A1 ∪ A2 ∪ A3 · · · ∪ An survient
si au moins un des A1 , A2 , · · · , An se produit. L’événement A1 ∩ A2 ∩ A3 · · · ∩ An se produit si
tous A1 , A2 , · · · , An se produisent. Il peut être utile de rappeler que les mots clés ≪ ou ≫ et ≪ au
moins ≫ correspondent à des unions et les mots clés ≪ et ≫ et ≪ tous ≫ correspondent à des
intersections.
1.3.2 Probabilité
Nous attribuons une mesure de probabilité P( A) à un événement A. C’est une valeur entre 0
et 1 qui montre la probabilité de l’événement. Si P( A) est près de 0, il est très peu probable
que l’événement A se produise. D’autre part, si P( A) est près de 1, A est très susceptible de se
produire. Le sujet principal de la théorie des probabilités est de développer des outils et des tech-
niques pour calculer les probabilités de différents événements. La théorie des probabilités est basée
sur certains axiomes qui servent de fondement à la théorie, alors énonçons et expliquons ces axiomes.
Axiomes de probabilité :
Axiome 1 : Pour tout événement A, P( A) ⩾ 0.
Axiome 2 : Probabilité de l’univers S est P(S) = 1.
Axiome 3 : Si A1 , A2 , A3 , · · · sont des événements disjoints, alors
P( A1 ∪ A2 ∪ A3 · · · ) = P( A1 ) + P( A2 ) + P( A3 ) + · · ·
Prenons quelques instants et assurons-nous de bien comprendre chaque axiome. Le premier axiome
stipule que la probabilité ne peut pas être négative. La plus petite valeur pour P( A) est nulle et si
P( A) = 0, alors l’événement A ne se produira jamais. Le deuxième axiome stipule que la probabilité
de l’ensemble de l’univers est égale à un, c’est-à-dire, 100 pour cent. La raison en est que l’univers S
contient tous les résultats possibles de notre expérience aléatoire. Ainsi, le résultat de chaque essai
appartient toujours à S, c’est-à-dire l’événement S se produit toujours et P(S) = 1. Dans l’exemple
du lancer de dé, S = {1, 2, 3, 4, 5, 6}, et puisque le résultat est toujours parmi les nombres 1 à 6,
P(S) = 1.
Le troisième axiome est probablement le plus intéressant. L’idée de base est que si certains événements
sont disjoints (c’est-à-dire il n’y a pas de chevauchement entre eux), alors la probabilité de leur union
doit être la somme de leurs probabilités. Une autre façon de penser à cela est d’imaginer la probabilité
d’un ensemble comme l’aire de cet ensemble dans le diagramme de Venn. Si plusieurs ensembles sont
disjoints comme ceux de la figure (1.5a) , alors l’aire totale de leur union est la somme des aires
individuelles. L’exemple (1.8) suivant illustre l’idée derrière le troisième axiome.
Exemple 1.8. À une élection présidentielle, il y a quatre candidats : A, B, C et D. Sur la base

d’une analyse de sondage, on estime que A a 20% de chance de gagner l’élection, tandis que B a
40% de chance de gagner. Quelle est la probabilité que A ou B remporte l’élection ?
Solution
15
Notez que les événements {A gagne}, {B gagne}, {C gagne}, et {D gagne} sont disjoints puisque
plus d’un d’entre eux ne peut pas se produire en même temps. Par exemple, si A gagne, alors B
ne peut pas gagner. D’après le troisième axiome de probabilité, la probabilité de l’union de deux
événements disjoints est la somme des probabilités individuelles. Donc,
P(A gagne ou B gagne) =P {A gagne} ∪ {B gagne}

=P({A gagne}) + P({B gagne})

=0, 2 + 0, 4
=0, 6.
En résumé, si A1 et A2 sont des événements disjoints, alors P( A1 ∪ A2 ) = P( A1 ) + P( A2 ). Le

même argument est vrai lorsque vous avez n événements disjoints A1 , A2 , · · · , An :
P( A1 ∪ A2 ∪ A3 · · · ∪ An ) = P( A1 ) + P( A2 ) + · · · + P( An ), si A1 , A2 , · · · , An sont disjoints.
En fait, le troisième axiome va au-delà de cela et déclare que la même chose est vraie même pour
un nombre dénombrable infini d’événements disjoints.
Comme nous l’avons vu, lorsque vous travaillez avec des événements, intersection signifie ”et” et
union signifie ”ou” . La probabilité d’intersection de A et B, P( A ∩ B), se traduit parfois par P( A, B)
ou P( A et B).
Notation :
P( A ∩ B) = P( A et B) = P( A, B),
P( A ∪ B) = P( A ou B).
Parallélisme entre la terminologie ensembliste et la terminologie probabi-

liste
Un événement étant un élément de P (S) (ensemble des parties) obéit à la théorie des ensembles.
Nous allons indiquer dans le tableau (1.1) ci-après comment certaines notions ensemblistes s’ex-
priment, ou se traduisent, en termes d’événements.
16
Table 1.1 – Parallélisme entre la terminologie ensembliste et la terminologie probabiliste
Ensemble Événement
On a observé le résultat ω et ω ∈ A L’événement A est réalisé.
A=B Les événements A et B sont identiques.
A⊂B L’événement A implique l’événement B.
∅ Événement impossible.
S Événement certain.
A∪B Au moins un des deux événements est réalisé.
A∩B Les deux événements A et B sont réalisés.
A∩B = ∅ Les événements A et B sont incompatibles.
A = S − A ou Ac L’événement A n’est pas réalisé.
Le couple (S, P (S)) s’appelle un espace probabilisable.
1.3.3 Détermination des probabilités

Supposons qu’on nous donne une expérience aléatoire avec un univers S. Pour trouver la probabilité
d’un événement, il y a généralement deux étapes : premièrement, nous utilisons les informations
spécifiques dont nous disposons sur l’expérience aléatoire. Deuxièmement, nous utilisons les axiomes
de probabilité. Prenons un exemple. Bien qu’il s’agisse d’un exemple simple et que vous puissiez être
tenté d’écrire la réponse sans suivre les étapes, nous vous encourageons à suivre les étapes.
Exemple 1.9. Vous lancez un dé équilibré. Quelle est la probabilité de l’événement E = {1, 5} ?
Solution
Utilisons d’abord les informations spécifiques dont nous disposons sur l’expérience aléatoire. Le
problème indique que le dé est parfaitement équilibré, ce qui signifie que les six résultats possibles
sont également probables, c’est-à-dire, P({1}) = P({2}) = · · · = P({6}). Maintenant, nous
pouvons utiliser les axiomes de probabilité. En particulier, comme les événements {1}, {2}, · · · ,
{6} sont disjoints on peut écrire

1 = P( S ) = P {1} ∪ {2} ∪ · · · ∪ {6} = P({1}) + P({2}) + · · · + P({6}) = 6P({1}).
Ainsi,
1
P({1}) = P({2}) = · · · = P({6}) = .
6
Encore comme {1} et {5} sont disjoints, nous avons
2 1
P( E) = P({1, 5}) = P({1}) + P({5}) = = .
6 3
Il est à noter que nous allons souvent écrire P(1) au lieu de P({1}) pour simplifier la notation, mais
nous devons souligner que la probabilité est définie pour des ensembles (événements) et non pour des
17
résultats individuels. Ainsi, lorsque nous écrivons P(2) = 16 , nous voulons vraiment dire, P({2}) = 16 .
Nous verrons que les deux étapes expliquées ci-dessus peuvent être utilisées pour trouver des proba-
bilités pour des événements beaucoup plus compliqués et des expériences aléatoires. Entraı̂nons-nous
maintenant à utiliser les axiomes en prouvant quelques faits utiles.
Exemple 1.10. En utilisant les axiomes de probabilité, prouver ce qui suit :
a) Pour tout événement A, P( Ac ) = 1 − P( A).
b) La probabilité de l’ensemble vide est nulle, c’est-à-dire P(∅) = 0.
c) Pour tout événement A, P( A) ⩽ 1.
d) P( A − B) = P( A) − P( A ∩ B).
e) P( A ∪ B) = P( A) + P( B) − P( A ∩ B), (principe d’inclusion-exclusion pour n = 2).
f) Si A ⊂ B, alors P( A) ⩽ P( B).
Solution
a) Cela indique que la probabilité que A ne se produise pas est 1 − P( A). Pour le prouver en
utilisant les axiomes, on peut écrire
1 =P(S) (axiome 2)
=P( A ∪ Ac ) (définition du complément)
=P( A) + P( Ac ) (puisque A et Ac sont disjoints)
b) Comme ∅ = Sc , nous utilisons le résultat trouvé à ( a). Ce qui donne P(∅) = 1 − P(S) = 0.
Notez que cela a du sens par définition : un événement se produit si le résultat de l’expérience
aléatoire appartient à cet événement. Puisque l’ensemble vide n’a aucun élément, le résultat
de l’expérience n’appartient jamais à l’ensemble vide.
c) De ( a), P( A) = 1 − P( Ac ) et comme P( Ac ) ⩾ 0 (le premier axiome), on a P( A) ⩽ 1.
d) Montrons que P( A) = P( A ∩ B) + P( A − B). A noter que les deux ensembles A ∩ B et

A − B sont disjoints et leur union est A (Figure (1.8)). Ainsi, par le troisième axiome de
probabilité
P( A ) = P ( A ∩ B ) ∪ ( A − B )

( puisque A = ( A ∩ B) ∪ ( A − B))
= P( A ∩ B ) + P( A − B ) (puisque A ∩ B et A − B sont disjoints).
18
Figure 1.8 – P( A) = P( A ∩ B) + P( A − B).
A noter que comme A − B = A ∩ Bc , nous avons
P( A ) = P( A ∩ B ) + P( A ∩ B c ).
Notez également que les deux ensembles B et Bc forment une partition de l’univers (puisqu’ils
sont disjoints et que leur union est tout l’univers). Il s’agit d’une forme simple de loi de
probabilité totale dont nous parlerons bientôt et qui est une règle très utile pour déterminer la
probabilité de certains événements.
e) Notez que A et B − A sont des ensembles disjoints et leur réunion est A ∪ B. Ainsi,
P( A ∪ B) =P( A ∪ ( B − A)) (car A ∪ B = A ∪ ( B − A))

=P( A) + P( B − A) (puisque A et B − A sont disjoints)
=P( A ) + P( B ) − P( A ∩ B ) (partie (d))
f) Notez que A ⊂ B signifie que chaque fois A se produit B se produit aussi. Ainsi intuitivement
on s’attend à ce que P( A) ⩽ P( B). Encore une fois, la preuve est similaire à la précédente.
Si A ⊂ B, alors A ∩ B = A. Ainsi,
P( B ) =P( A ∩ B ) + P( B − A ) (par partie (d))

=P( A ) + P( B − A ) (puisque A = A ∩ B)
⩾P( A) (par l’axiome 1)
Exemple 1.11. Supposons que nous ayons les informations suivantes :
1. Il y a 60% de chance qu’il pleuve aujourd’hui.
2. Il y a 50% de chance qu’il pleuve demain.
3. Il y a 30% de chance qu’il ne pleuve pas un jour ou l’autre.
Trouvez les probabilités suivantes :
a) La probabilité qu’il pleuve aujourd’hui ou demain.
b) La probabilité qu’il pleuve aujourd’hui et demain.
19
c) La probabilité qu’il pleuve aujourd’hui mais pas demain.
d) La probabilité qu’il pleuve aujourd’hui ou demain, mais pas les deux.
Solution
Une étape importante dans la résolution de problèmes comme celui-ci consiste à les convertir cor-
rectement en langage de probabilité. Ceci est particulièrement utile lorsque les problèmes deviennent
complexes. Pour ce problème, définissons A comme l’événement ”il va pleuvoir aujourd’hui”, et B
comme l’événement ”il pleuvra demain”. Ensuite, résumons les informations disponibles :
1. P( A) = 0, 6,
2. P( B) = 0, 5,
3. P( Ac ∩ Bc ) = 0, 3.
Maintenant que nous avons résumé les informations, nous devrions pouvoir les utiliser avec les règles
de probabilité pour trouver les probabilités demandées :
a) La probabilité qu’il pleuve aujourd’hui ou demain est P( A ∪ B). Pour trouver cela, nous
remarquons que

c
P( A ∪ B ) =1 − P ( A ∪ B ) par l’exemple 1.10
=1 − P( A c ∩ B c ) par la loi de De Morgan

=1 − 0, 3
=0, 7
b) La probabilité qu’il pleuve aujourd’hui et demain : c’est P( A ∩ B). Pour la trouver, notons
que
P( A ∩ B ) =P( A ) + P( B ) − P( A ∪ B ) par l’exemple 1.10

=0, 6 + 0, 5 − 0, 7
=0, 4
c) La probabilité qu’il pleuve aujourd’hui mais pas demain : c’est P( A ∩ Bc ).
P( A ∩ B c ) =P( A − B )
=P( A ) − P( A ∩ B ) par l’exemple 1.10
=0, 6 − 0, 4
=0, 2
20
d) La probabilité qu’il pleuve aujourd’hui ou demain mais pas les deux est P( A − B) + P( B − A).
Nous avons déjà trouvé P( A − B) = 0, 2. De même, on peut trouver P( B − A) :
P( B − A ) =P( B ) − P( B ∩ A ) par l’exemple 1.10

=0, 5 − 0, 4
=0, 1
Ainsi,
P( A − B) + P( B − A) = 0, 2 + 0, 1 = 0, 3
Dans ce problème, il est dit qu’il existe un 50% de chance qu’il pleuve demain. Vous avez peut-être
entendu cette information dans les nouvelles à la télévision. Une question plus intéressante est de
savoir comment le nombre 50 est obtenu. Ceci est un exemple d’un problème réel dans lequel des
outils de probabilité et de statistiques sont utilisés.
La formule P( A ∪ B) = P( A) + P( B) − P( A ∩ B) que nous avons prouvé dans l’exemple 1.10 est
une forme simple du principe d’inclusion-exclusion. On peut l’étendre à l’union de trois ensembles ou
plus.
P( A ∪ B ) = P( A ) + P( B ) − P( A ∩ B ),
P( A ∪ B ∪ C ) = P( A ) + P( B ) + P( C ) − P( A ∩ B ) − P( A ∩ C ) − P( B ∩ C ) + P( A ∩ B ∩ C )
Généralement pour n événements A1 , A2 ,· · · , An , on a
n n n
∑ P( A i ) − ∑ P( A i ∩ A j ) + ∑ P( Ai ∩ A j ∩ Ak ) − · · · + (−1) n −1
[ \
P Ai = P Ai
i =1 i =1 i< j i < j<k i =1
1.3.4 Modèles de probabilité discrète

Ici, nous distinguerons deux types différents d’univers, discret et continu. Nous discuterons de la
différence plus en détail plus tard, lorsque nous discuterons des variables aléatoires. L’idée de base
est que dans les modèles de probabilité discrète, nous pouvons calculer la probabilité des événements
en ajoutant tous les résultats correspondants, tandis que dans les modèles de probabilité continue,
nous devons utiliser l’intégration au lieu de la sommation.
Considérez un univers S. Si S est un ensemble dénombrable, cela fait référence à un modèle de

probabilité discrète. Dans ce cas, puisque S est dénombrable, on peut lister tous les éléments de S :
S = { s1 , s2 , s3 , · · · }.
21
Si A ⊂ B est un événement, alors A est aussi dénombrable, et par le troisième axiome de probabilité
on peut écrire
P( A ) = P( {s j }) = ∑ P(s j ).
[
sj ∈ A sj ∈ A
Ainsi, dans un univers dénombrable, pour trouver la probabilité d’un événement, tout ce que nous
devons faire est d’additionner la probabilité des éléments individuels de cet ensemble.
Exemple 1.12. Je joue à un jeu de hasard dans lequel je vais gagner k − 2 dollars avec une probabilité
de 21k pour tout k ∈ N0 , c’est-à-dire,
avec une probabilité de 12 , je perds 1 dollar ;
avec une probabilité de 14 , je gagne 0 dollar ;
avec une probabilité de 81 , je gagne 1 dollar ;
avec une probabilité de 1

16 , je gagne 2 dollars ;
avec une probabilité de 1

32 , je gagne 3 dollars ;
···
Quelle est la probabilité que je gagne au moins 1 dollar et moins de 4 dollars ? Quelle est la probabilité
que je gagne plus de 2 dollars ?
Solution
Dans ce problème, l’expérience aléatoire est le jeu de hasard et les résultats sont le montant en
dollars que je gagne (perds). Ainsi on peut écrire
S = {−1, 0, 1, 2, 3, 4, 5, · · · }.
Comme nous le voyons, il s’agit d’un ensemble infini mais dénombrable. Le problème indique également
que
1
P(k) = P({k }) = pour k ∈ S.
2k +2
Tout d’abord, vérifions qu’il s’agit d’une mesure de probabilité valide. Pour ce faire, nous devons
vérifier si toutes les probabilités s’additionnent à un, c’est-à-dire, P(S) = 1. Nous avons
∞
P( S ) = ∑ P( k )
k=−1
∞
1
= ∑ 2k +2
k=−1
1 1 1
= + + +··· (somme géométrique)
2 4 8
=1.
22
Résolvons maintenant le problème. Définissons A comme l’événement que je gagne au moins 1 dollar
et moins de 4 dollars, et B comme l’événement que je gagne plus de 2 dollars. Ainsi,
A = {1, 2, 3}, B = {3, 4, 5, · · · }.
Puis
P( A ) =P(1) + P(2) + P(3)
1 1 1
= + +
8 16 32
7
=
32
≈0, 219
De même,
P( B ) =P(3) + P(4) + P(5) + P(6) + · · ·
1 1 1 1
= + + + +··· (somme géométrique)
32 64 128 256
1
=
16
=0, 0625
Notez qu’une autre façon de trouver P( B) est d’écrire
P( B ) =1 − P( B c )
=1 − P({−1, 0, 1, 2})

=1 − P(−1) + P(0) + P(1) + P(2)

1 1 1 1
=1 − + + +
2 4 8 16
15
=1 −
16
1
=
16
=0, 0625
Remarque. Ici, nous avons utilisé la formule de somme des séries géométriques. En particulier, pour
tout a, x ∈ R, on a
n −1
1 − xn
a + ax + ax2 + ax3 + · · · + ax n−1 = ∑ ax k = a
1−x
k =0
De plus, si | x | < 1, alors nous avons

∞
1
a + ax + ax2 + ax3 + · · · = ∑ axk = a 1 − x .
k =0
23
Univers finis avec des résultats également probables :
Un cas particulier important des modèles de probabilités discrètes est lorsque nous avons un univers
fini S, où chaque résultat est également probable, c’est-à-dire,
S = {s1 , s2 , · · · , s N }, où P(si ) = P(s j ) pour tout i, j ∈ {1, 2, · · · , N }.
Lancer d’ un dé équilibré est un exemple d’un tel modèle de probabilité. Puisque tous les résultats
sont également probables, nous devons avoir
1
P( s i ) = , pour tout i ∈ {1, 2, · · · , N }.
N
Dans un tel modèle, si A est tout événement de cardinalité | A| = M, nous pouvons écrire
1 M | A|
P( A ) = ∑ P( s j ) = ∑ N
=
N
=
|S|
.
sj ∈ A sj ∈ A
Ainsi, trouver la probabilité de A se réduit à un problème de comptage dans lequel nous devons
compter combien d’éléments sont dans A et S.
Exemple 1.13. Je lance deux fois un dé équilibré et j’obtiens deux nombres : X1 = résultat du
premier lancer, et X2 = résultat du deuxième lancer. Notons l’univers S, et en supposant que
tous les résultats sont également probables (parce que le dé est équilibré), trouver la probabilité de
l’événement A défini comme l’événement X1 + X2 = 8.
Solution
L’univers S peut être écrit comme
S ={(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (3, 1), (3, 2), (3, 3),
(3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6), (5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)}.
Comme on le voit il y a |S| = 36 éléments dans S. Pour trouver la probabilité de A, il ne nous reste
plus qu’à trouver M = | A|. En particulier, A est défini comme
A ={( X1 , X2 )| X1 + X2 = 8, X1 , X2 ∈ {1, 2, · · · , 6}}

={(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}.
Ainsi, | A| = 5, ce qui signifie que

| A| 5
P( A ) = = .
|S| 36
Une erreur très courante consiste à ne pas faire la distinction entre, disons (2, 6) et (6, 2). Il est
important de noter qu’il s’agit de deux résultats différents : (2, 6) signifie que le premier lancer est
un 2 et le deuxième lancer est un 6, tandis que (6,2) signifie que le premier lancer est un 6 et le
deuxième lancer est un 2. Notez qu’il est très courant d’écrire P( X1 + X2 = 8) en se référant à
24
P( A) tel que défini ci-dessus. En réalité, X1 et X2 sont des exemples de variables aléatoires qui
seront discutées en détail plus loin.
Dans un univers fini S, où tous les résultats sont également probables, la probabilité de
tout événement A peut être trouvée par
|A|
P( A ) = |S|
.
| A|
La formule P( A) = |S| suggère qu’il est important de pouvoir compter les éléments dans les
ensembles. Si les ensembles sont petits, c’est une tâche facile ; cependant, si les ensembles sont
grands et définis implicitement, cela pourrait être une tâche difficile.
Exemple 1.14. Une urne contient 30 boules rouges et 70 boules vertes. Quelle est la probabilité
d’obtenir exactement k boules rouges dans un échantillon de taille 20 si le prélèvement se fait sans
remise (répétition non autorisée) ?
Solution
| A|
Soit A l’événement (l’ensemble) d’obtenir exactement k boules rouges. Trouver P( A) = |S|
, Nous
devons trouver | A| et |S|. Tout d’abord, notez que |S| = (100
Ensuite, pour trouver | A|, nous
20 ).
devons découvrir de combien de manières nous pouvons choisir k boules rouges et 20 − k boules
vertes. En utilisant le principe de multiplication, on a

30 70
| A| = .
k 20 − k
Ainsi, nous avons

(30 70
k )(20−k )
P( A ) = .
(100
20 )
Exemple 1.15. Si k personnes sont dans une fête, quelle est la probabilité qu’au moins deux d’entre
elles aient le même anniversaire ? Supposons qu’il y a n = 365 jours contenus dans une année et
tous les jours sont également susceptibles d’être l’anniversaire d’une personne spécifique.
Solution
Soit A l’événement qu’ au moins deux personnes ont le même anniversaire. A noter d’abord que si
k > n, alors P( A) = 1; alors, concentrons-nous sur le cas le plus intéressant où k ⩽ n. Encore
une fois, l’expression ”au moins” suggère qu’il pourrait être plus facile de trouver la probabilité
de l’événement de complément, P( Ac ). C’est l’événement où deux personnes n’ont pas le même
anniversaire, et nous avons
| Ac |
P( A ) = 1 − .
|S|
Ainsi, pour résoudre le problème, il suffit de trouver | Ac | et |S|. Trouvons d’abord |S|. Quel est le
nombre total de séquences possibles d’anniversaires de k personnes ? Eh bien, il y a n = 365 choix
25
pour la première personne, n = 365 choix pour la deuxième personne, ... n = 365 choix pour la
k−ième personne. Ainsi il y a
nk
possibilités. Il s’agit, en fait, d’un échantillonnage ordonné avec problème de remplacement, et comme
nous l’avons vu, la réponse devrait être nk (ici on tire k échantillons, anniversaires, de l’ensemble
{1, 2, . . . , n = 365}). Trouvons maintenant | Ac |. Si aucun anniversaire n’est identique, cela revient
à trouver |S| à la différence que la répétition n’est pas autorisée, nous avons donc
| Ac | = Pnk = n × (n − 1) × . . . × (n − k + 1).
Vous pouvez le voir directement en notant qu’il y a n = 365 choix pour la première personne,
n − 1 = 364 choix pour la deuxième personne, ..., n − k + 1 choix pour la k−ième personne. Ainsi
la probabilité de A peut être trouvée comme
| Ac | Pk
P( A ) = 1 − = 1 − nk .
|S| n
Discussion : La raison pour laquelle on appelle cela un paradoxe est que P( A) est numériquement
différent de ce à quoi la plupart des gens s’attendent. Par exemple, s’il y a k = 23 personnes dans
la fête, quelle est la probabilité qu’au moins deux d’entre elles aient le même anniversaire, P( A) ?
La réponse est 0, 5073, ce qui est beaucoup plus élevé que ce que la plupart des gens pensent. La
probabilité franchit 99% lorsque le nombre de personnes atteint 57. Mais pourquoi la probabilité
est-elle plus élevée que ce à quoi nous nous attendons ?
Il est important de noter que dans le problème de l’anniversaire, aucune de deux personnes n’est
choisie au préalable. Pour mieux répondre à cette question, abordons un autre problème : je suis dans
une soirée avec k − 1 personnes. Quelle est la probabilité qu’au moins une personne du groupe ait le
même anniversaire que le mien ? Eh bien, nous devons choisir les anniversaires de k − 1 personnes, le
nombre total de façons de le faire est nk−1 . Le nombre total de façons de choisir les anniversaires pour
que personne n’ait mon anniversaire est (n − 1)k−1 . Ainsi, la probabilité qu’au moins une personne
ait le même anniversaire que le mien est
n − 1 k −1
P( B ) = 1 − .
n
Maintenant si k = 23, cette probabilité est seulement P( B) = 0, 0586, ce qui est beaucoup plus
petit que le correspondant P( A) = 0, 5073. La raison en est que cet événement B ne regarde que le
cas où une personne du groupe a le même anniversaire que moi. Il s’agit d’un événement beaucoup
plus petit que l’événement A qui examine toutes les paires de personnes possibles. Ainsi, P( A) est
beaucoup plus grand que P( B). On peut supposer que la valeur de P( A) est beaucoup plus faible
qu’il ne l’est en réalité, car on pourrait le confondre avec P( B).
Exemple 1.16. Combien de séquences distinctes peut-on faire en utilisant 3 lettres ”A” et 5 lettres
”B” ? (AAABBBBB, AABABBBB, etc.)
Solution
Vous pouvez penser à ce problème de la manière suivante. Vous avez 3 + 5 = 8 postes à pourvoir
26
avec les lettres A ou B. De ces 8 positions, vous devez choisir 3 d’entre elles pour A. Tout ce qui
reste sera rempli de B. Ainsi, le nombre total de possibilités est

8
.
3
Maintenant, vous auriez pu choisir de manière équivalente les emplacements pour B, donc la réponse
aurait été
8
.
5
Ainsi, nous concluons que
8 8
= .
3 5
Le même argument peut être répété pour le cas général n et k :

n n
= .
k n−k
Exemple 1.17. Dix personnes ont un repas-partage. Cinq personnes sont sélectionnées pour apporter
un plat principal, trois personnes pour apporter des boissons et deux personnes pour un dessert. De
combien de manières peuvent-elles être divisées en ces trois groupes ?
Solution
Nous pouvons résoudre ce problème de la manière suivante. Premièrement, nous pouvons choisir 5
personnes pour le plat principal. Cela peut se faire en (10 5 ) façons. Des 5 personnes restant, nous
choisissons alors 3 personnes pour les boissons, et enfin les 2 personnes restant apporteront le désert.
Ainsi, par le principe de multiplication, le nombre total de possibilités est donné par

10 5 2 10! 5! 2! 10!
= · · = .
5 3 2 5!5! 3!2! 2!0! 5!3!2!
1.3.5 Modèles de probabilité continue

Considérez un scénario où votre univers S est, par exemple,[0, 1]. C’est un ensemble indénombrable ;
nous ne pouvons pas lister les éléments de l’ensemble. À l’heure actuelle, nous n’avons pas encore
développé les outils nécessaires pour traiter les modèles de probabilité continue, mais nous pouvons
donner une intuition en examinant un exemple simple.
Exemple 1.18. Votre ami vous dit qu’il s’arrêtera chez vous quelque temps à 1pm (après-midi c’est-
à-dire 13h) ou après et avant 2pm (après-midi c’est-à-dire 14h), mais il ne peut pas vous donner plus
d’informations car son emploi du temps est assez chargé. Votre ami est très fiable, vous êtes donc
sûr qu’il s’arrêtera chez vous, mais à part cela, nous n’avons aucune information sur l’heure d’arrivée.
Ainsi, nous supposons que l’heure d’arrivée est complètement aléatoire dans l’intervalle de 1pm et
2pm (de l’après-midi). (Comme nous le verrons, dans le langage de la théorie des probabilités, on dit
que le temps d’arrivée est ”uniformément” distribué sur l’ intervalle [1, 2[). Soit T l’heure d’arrivée.
1. Quel est l’univers S ?
27
2. Quelle est la probabilité P(1.5) ? Pourquoi ?
3. Quelle est la probabilité de T ∈ [1; 1.5[
4. Pour 1 ⩽ a ⩽ b ⩽ 2, que vaut P( a ⩽ T ⩽ b) = P([ a, b])?
Solution
1. Tout nombre réel dans [1, 2[ est un résultat possible, l’univers est en effet S = [1, 2[.
2. Maintenant, regardons P(1.5). Une supposition raisonnable serait P(1, 5) = 0. Mais pouvons-
nous donner une raison à cela ? Divisons l’intervalle [1, 2[ à 2N + 1 intervalles égaux et disjoints,
1 1 2 N N+1 2N
[1, 1 + [, [1 + ,1+ [, · · · , [1 + ,1+ [, · · · , [1 + , 2[.
2N + 1 2N + 1 2N + 1 2N + 1 2N + 1 2N + 1
Voir Figure (1.9). Ici, N peut être n’importe quel entier positif.
Figure 1.9 – Division de l’intervalle [1, 2[ à 2N + 1 intervalles de même longueur.
La seule information dont nous disposons est que l’heure d’arrivée est ”uniforme” sur l’ intervalle
[1, 2[. Par conséquent, tous les intervalles ci-dessus devraient avoir la même probabilité, et
puisque leur union est S nous concluons que
h h
1 h 1 2 h
P 1, 1 + =P 1 + ,1+ = ···
2N + 1 2N + 1 2N + 1
h
N N+1 h
· · · =P 1 + ,1+ = ···
2N + 1 2N + 1
h h
2N
· · · =P 1 + ,2
2N + 1
1
= .
2N + 1
h h
N N +1
En particulier, en définissant A N = 1 + 2N +1 , 1 + 2N +1 , nous concluons que
h
N N+1 h 1
P( A N ) = P 1+ ,1+ = .
2N + 1 2N + 1 2N + 1
28
Notez maintenant que pour tout entier positif N, 1.5 ∈ A N . Ainsi, {1.5} ∈ A N , alors
1
P(1.5) ⩽ P( A N ) = , pour tout N ∈ N.
2N + 1
Notez que comme N devient grand, P( A) approche 0. Comme P(1.5) ne peut pas être
négatif, on en déduit que P(1, 5) = 0. De même, nous pouvons affirmer que P( x ) = 0 pour
tout x ∈ [1, 2[.
3. Ensuite, on trouve P([1; 1.5[). C’est la première moitié de l’ensemble de l’univers S = [1, 2[
et à cause de l’uniformité, sa probabilité doit être 0.5. Autrement dit,
P([1; 1.5[) = P([1.5, 2[) (par uniformité),P([1; 1.5[) + P([1.5; 2[) = P(S) = 1.
Ainsi
1
P([1; 1.5[) = P([1.5, 2[) = .
2
4. Le même argument d’uniformité suggère que tous les intervalles de [1, 2[ de même longueur
doit avoir la même probabilité. En particulier, la probabilité d’un intervalle est proportionnelle
à sa longueur. Par exemple, comme
[1; 1.5[= [1; 1.25[∪[1.25; 1.5[.
Ainsi, nous concluons

P [1; 1.5[ = P [1; 1.25[ + P [1.25; 1.5[

=2P [1; 1.25[ .

Et enfin, puisque P [1, 2[ = 1, nous concluons
P([ a, b]) = b − a, pour 1 ⩽ a ⩽ b ⩽ 2.
L’exemple ci-dessus était une situation assez simple dans laquelle nous avons un univers continu. En
réalité, la probabilité peut ne pas être uniforme, nous devons donc développer des outils qui nous
aident à gérer les distributions générales de probabilités. Ces outils seront présentés dans les chapitres
suivants.
Discussion : Vous pourriez vous demander pourquoi P( x ) = 0 pour tout x ∈ [1, 2[, mais en même
temps, le résultat de l’expérience est toujours un nombre dans [1, 2[ ? Nous pouvons répondre à
cette question de différents points de vue. D’un point de vue mathématique, nous pouvons expliquer
ce problème en utilisant l’analogie suivante : considérons un segment de droite de longueur un. Ce
segment de droite est constitué de points de longueur nulle. Néanmoins, ces points de longueur nulle
constituent dans leur ensemble un segment de droite de longueur un. D’un point de vue pratique,
nous pouvons fournir l’explication suivante : nos résultats observés ne sont pas toutes des valeurs
29
réelles dans [1, 2[. Autrement dit, si nous observons le temps, notre mesure peut être précise jusqu’à
des minutes, des secondes ou des millisecondes, etc. Notre modèle de probabilité continue est une
limite d’un modèle de probabilité discrète, lorsque la précision devient infiniment précise. Ainsi, en
réalité on s’intéresse toujours à la probabilité de certains intervalles plutôt qu’à un point spécifique x.
Par exemple, lorsque nous disons : ”quelle est la probabilité que votre ami se présente à 1 : 32pm ?”,
ce que nous voulons dire est : ”quelle est la probabilité que votre ami se présente entre 1 : 32 : 00pm
et 1 : 32 : 59pm ?” Cette probabilité est non nulle car elle fait référence à un intervalle d’une durée
d’une minute. Ainsi, dans un certain sens, un modèle de probabilité continue peut être considéré
comme la ”limite” d’un espace discret. En se souvenant du calcul, nous notons que les intégrales
sont définies comme les limites des sommes. C’est pourquoi nous utilisons les intégrales pour trouver
des probabilités pour les modèles de probabilité continue, comme nous le verrons plus tard.
1.3.6 Problèmes résolus : expériences aléatoires et probabilités

1. Considérons un univers S et trois événements A, B, et C. Pour chacun des événements suivants,
dessinez une représentation en diagramme de Venn ainsi qu’une expression d’ensemble.
(a) Parmi A, B, et C, seulement A se produit.

(b) Au moins un des événements A, B, ou C se produit.
(c) A ou C se produit, mais pas B.
(d) Au plus deux des événements A, B, ou C se produisent.
Solution
(a) Parmi A, B, et C, seulement A se produit : A − B − C = A − ( B ∪ C ).

(b) Au moins un des événements A, B, ou C se produisent : A ∪ B ∪ C.
(c) A ou C se produit, mais pas B : ( A ∪ C ) − B.
(d) Au plus deux des événements A, B, ou C se produisent : ( A ∩ B ∩ C )c = Ac ∪ Bc ∪ C c .
Les diagrammes de Venn sont illustrés à la Figure (1.10).
30
Figure 1.10 – Diagrammes de Venn pour le premier problème résolu.
2. Écrire l’univers S pour les expériences aléatoires suivantes.
(a) Nous lançons une pièce jusqu’à ce que nous voyions deux piles consécutives. Nous enre-
gistrons le nombre total de lancers de pièces.
(b) Un sachet contient 4 boules : une rouge, une bleue, une blanche et une verte. Nous
choisissons deux boules distinctes et enregistrons leur couleur dans l’ordre.
(c) Un client arrive dans une banque et fait la queue. On observe T, qui est le temps total
(en heures) pendant lequel le client attend dans la file. La banque a une politique stricte
selon laquelle aucun client n’attend plus de 20 minutes en toutes circonstances.
Solution
Rappelez-vous que l’univers est l’ensemble de tous les résultats possibles. Habituellement,
lorsque vous avez une expérience aléatoire, il existe différentes façons de définir l’univers S en
fonction de ce que vous observez comme résultat. Dans ce problème, pour chaque expérience,
il est indiqué quels résultats nous observons afin de vous aider à écrire l’univers S.
(a) Nous lançons une pièce jusqu’à ce que nous voyions deux piles consécutives. Nous enre-
gistrons le nombre total de lancers de pièces : ici, le nombre total de lancers de pièces
est un entier naturel supérieur ou égal à 2. L’univers est S = {2, 3, 4, · · · }.
(b) Un sachet contient 4 boules : une rouge, une bleue, une blanche et une verte. Nous
choisissons deux boules distinctes et enregistrons leur couleur dans l’ordre : l’univers peut
être écrit comme
S = {( R, B), ( B, R), ( R, W ), (W, R), ( R, G ), ( G, R), ( B, W ), (W, B), ( B, G ),

( G, B), (W, G ), ( G, W )}.
31
(c) Un client arrive dans une banque et fait la queue. On observe T · · · : En théorie T peut
être n’importe quel nombre réel entre 0 et 31 = 20 minutes. Ainsi,
1 1
S = 0, = x ∈ R|0 ⩽ x ⩽ .
3 3
3. Soient A, B, et C trois événements dans l’univers S. Supposons que nous sachions
A ∪ B ∪ C = S,
P( A) = 12 ,
P( B) = 32 ,
P( A ∪ B) = 56 .
Répondre aux questions suivantes :
(a) Trouver P( A ∩ B).

(b) A, B, et C forment-ils une partition de S ?

(c) Trouver P C − ( A ∪ B) .
(d) Si P(C ∩ ( A ∪ B)) = 5
12 , trouver P(C ).
Solution
Comme précédemment, il est toujours utile de tracer un diagramme de Venn ; cependant, nous
fournissons ici la solution sans utiliser de diagramme de Venn.
(a) En utilisant le principe d’inclusion-exclusion, nous avons P( A ∪ B) = P( A) + P( B) −
P( A ∩ B ).
Ainsi,
P( A ∩ B ) =P( A ) + P( B ) − P( A ∪ B )
1 2 5
= + −
2 3 6
1
= .
3
(b) Non, puisque A ∩ B ̸= ∅.
(c) Nous pouvons écrire

C − ( A ∪ B) = C ∪ ( A ∪ B) − ( A ∪ B)
=S − ( A ∪ B)(puisque A ∪ B ∪ C = S)
=( A ∪ B)c .
Ainsi,
P C − ( A ∪ B ) =P ( A ∪ B ) c

=1 − P( A ∪ B )
1
= .
6
32
(d) Nous avons
5 1 7
P(C ) = P(C ∩ ( A ∪ B)) + P(C − ( A ∪ B)) = + = .
12 6 12
4. Je lance deux fois un dé et j’obtiens deux nombres X1 = résultat du premier lancer, et X2 =
résultat du deuxième lancer. Trouvez la probabilité des événements suivants :
(a) A défini comme ”X1 < X2 ” ;

(b) B défini comme ”Vous observez un 6 au moins une fois”.
Solution
Comme nous l’avons vu précédemment, l’univers S a 36 éléments.
(a) Nous avons
A ={(1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 3), (2, 4), (2, 5), (2, 6), (3, 4), (3, 5),
(3, 6), (4, 5), (4, 6), (5, 6)}.
Ensuite, on obtient
| A| 15 5
P( A ) = = = .
|S| 36 12
(b) Nous avons
B = {(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6), (1, 6), (2, 6), (3, 6), (4, 6), (5, 6)}.
On obtient
| B| 11
P( B ) = = .
|S| 36
5. Vous achetez un certain produit. Le manuel indique que la durée de vie T du produit, défini
comme la durée (en années) pendant laquelle le produit fonctionne correctement jusqu’à ce
qu’il tombe en panne, satisfait
t
P( T ⩾ t) = e− 5 pour tout t ⩾ 0.
Par exemple, la probabilité que le produit dure 2 ans ou plus est

2
P( T ⩾ 2) = e− 5 = 0, 6703.
(a) Ceci est un exemple de modèle de probabilité continue. Notez l’espace de l’échantillon S.
(b) Vérifiez que la déclaration dans le manuel a du sens en trouvant P( T ⩾ 0) et limt→∞ P( T ⩾
t ).
(c) Vérifiez également que si t1 < t2 , alors P( T ⩾ t1 ) ⩾ P( T ⩾ t2 ). Pourquoi cela doit-il
être vrai ?
33
(d) Trouvez la probabilité que le produit tombe en panne dans les trois ans suivant l’achat.
(e) Trouvez la probabilité que le produit tombe en panne au cours de la deuxième année,
c’est-à-dire P(1 ⩽ T < 2).
Solution
(a) L’univers S est l’ensemble de tous les résultats possibles. Ici, les résultats possibles sont
les valeurs possibles pour T qui peut être n’importe quel nombre réel supérieur ou égal à
zéro. Ainsi
S = [0, +∞[.
(b) Nous avons
0
P( T ⩾ 0) =e− 5 = 1,
lim P( T ⩾ t) =e−∞ = 0,
t→∞
c’est ce que nous attendons. En particulier, T est toujours supérieur ou égal à zéro, on
s’attend donc à P( T ⩾ 0) = 1. De plus, étant donné que le produit finira par tomber en
panne à un moment donné, nous nous attendons à ce que P( T ⩾ t) s’approche de zéro
lorsque t va à l’infini.
t1 t2
(c) A noter d’abord que si t1 < t2 , alors P( T ⩾ t1 ) = e− 5 > e− 5 = P( T ⩾ t2 )
(puisque f ( x ) = e x est une fonction croissante). Ici, nous avons deux événements, A est
l’événement que T ⩾ t1 et B est l’événement que T ⩾ t2 . C’est-à-dire,
A = [ t1 , ∞ [, B = [ t2 , ∞ [.
Comme B est un sous-ensemble de A, i.e B ⊂ A, nous devons avoir P( B) ⩽ P( A),
donc
P( A ) = P( T ⩾ t1 ) ⩾ P( T ⩾ t2 ) = P( B ).
(d) La probabilité que le produit tombe en panne dans les trois ans suivant l’achat est
3
P( T < 3) = 1 − P( T ⩾ 3) = 1 − e− 5 ≈ 0.4512
(e) Notez que si A ⊂ B, alors
P( B − A ) =P( B ) − P( B ∩ A )
=P( B ) − P( A ) (puisque A ⊂ B).
Choisir A = [2, ∞[ et B = [1, ∞[, nous pouvons écrire
P(1 ⩽ T < 2) =P( T ⩾ 1) − P( T ⩾ 2)

1 2
=e− 5 − e− 5
=0.1484
34
6. Vous cassez un bâton en trois morceaux au hasard. Quelle est la probabilité que vous constituez
un triangle en utilisant les trois pièces ? Supposez que les points sont choisis complètement au
hasard, c’est-à-dire si la longueur du bâton d’origine est 1 unité, et x, y, z sont les longueurs
des trois pièces, alors ( x, y, z) sont uniformément choisis dans l’ensemble
{( x, y, z) ∈ R3 | x + y + z = 1, x, y, z ⩾ 0}.
Solution
C’est encore un problème sur un espace de probabilité continu. L’idée de base est assez simple.
Premièrement, nous devons identifier l’univers S. Dans ce cas, l’univers va être un ensemble à
deux dimensions. Deuxièmement, nous devons identifier l’ensemble A qui contient les résultats
favorables (l’ensemble des ( x, y, z) dans S qui forment un triangle). Et enfin, puisque l’espace
est uniforme, nous diviserons l’aire de l’ensemble A par la zone de S pour obtenir P( A).
Tout d’abord, nous devons trouver les ensembles S et A. Il s’agit essentiellement d’un problème
de géométrie. Les deux ensembles, S et A, sont illustrés à la Figure (1.11).
Figure 1.11 – L’univers et l’ensemble A
Notez que dans R3 , x + y + z = 1 représente un plan qui passe par les points (1, 0, 0), (0, 1, 0), (0, 0, 1).
Pour trouver l’univers S, notez que S = {( x, y, z) ∈ R3 | x + y + z = 1, x, y, z ⩾ 0}, donc S
est la partie du plan représentée sur la Figure (1.11).
Pour trouver l’ensemble A, notez que nous avons besoin de ( x, y, z) pour satisfaire l’inégalité
triangulaire
x + y >z,
y + z > x,
x + z >y.
A noter que comme x + y + z = 1, nous pouvons écrire de manière équivalente les trois
35
équations comme
1
x< ,
2
1
y< ,
2
1
z< .
2
Ainsi, nous concluons que l’ensemble A est la zone représentée sur la figure (1.11). En parti-
culier, on note que l’ensemble S est composé de quatre triangles d’aires égales. Son aire est
donc quatre fois supérieure à celle de A, et nous avons
Zone de A 1
P( A ) = = .
Zone de S 4
1.4 Probabilité conditionnelle

Dans cette section, nous discutons de l’un des concepts les plus fondamentaux de la théorie des
probabilités. Voici la question : au fur et à mesure que vous obtenez des informations supplémentaires,
comment devez-vous mettre à jour les probabilités d’événements ? Par exemple, supposons que
dans une certaine ville, 23% des jours sont pluvieux. Ainsi, si vous choisissez un jour au hasard,
la probabilité qu’il pleuve ce jour-là est 23% :
P( R) = 0, 23, où R est l’événement pour lequel il pleut le jour choisi au hasard.
Supposons maintenant que je choisisse un jour au hasard, mais que je vous dise également qu’il
fait nuageux le jour choisi. Maintenant que vous avez cette information supplémentaire, comment
mettez-vous à jour la probabilité qu’il pleuve ce jour-là ? En d’autres termes, quelle est la probabilité
qu’il pleuve étant donné qu’il fait nuageux ? Si C est l’événement que le jour choisi soit nuageux,
alors nous écrivons ceci comme P( R|C ), la probabilité conditionnelle de R étant donné que C s’est
produit. Il est raisonnable de supposer que dans cet exemple, P( R|C ) devrait être plus grand que
l’original P( R), qui est appelée la probabilité a priori de R. Mais que doit exactement être P( R|C ) ?
Avant de fournir une formule générale, regardons un exemple simple.
Exemple 1.19. Je lance un dé équilibré. Soit A l’événement où le résultat est un nombre impair,
c’est-à-dire, A = {1, 3, 5}. Soit B l’événement où le résultat est inférieur ou égal à 3, c’est-à-dire,
B = {1, 2, 3}. Quelle est la probabilité de A, i.e P( A) ? Quelle est la probabilité de A étant donné
B, i.e P( A| B) ?
Solution
Il s’agit d’un univers fini, donc
| A| |{1, 3, 5}| 1
P( A ) = = = .
|S| 6 2
Maintenant, trouvons la probabilité conditionnelle de A étant donné que B eût lieu. Si nous savons
B s’est produit, le résultat doit être parmi {1, 2, 3}. Pourque que A aussi se réalise, le résultat doit
36
être dans A ∩ B = {1, 3}. Puisque tous les jets de dé sont également probables, nous soutenons que
| A∩ B|
P( A| B) doit être égal à P( A| B) = | B| = 23 .
Voyons maintenant comment nous pouvons généraliser l’exemple ci-dessus. On peut réécrire le calcul
en divisant le numérateur et le dénominateur par |S| de la manière suivante
| A∩ B|
| A ∩ B| |S| P( A ∩ B )
P( A | B ) = = = .
| B| | B| P( B )
|S|
Bien que le calcul ci-dessus ait été effectué pour un univers fini avec des résultats également pro-
bables, il s’avère que la formule résultante est assez générale et peut être appliquée dans n’importe
quel contexte. Ci-dessous, nous fournissons formellement la formule, puis expliquons l’intuition qui
la sous-tend.
Si A et B sont deux événements dans un univers S, alors la probabilité conditionnelle de

A étant donné B est définie comme
P( A ∩ B )
P( A | B ) = , quand P(B) > 0.
P( B )
Voici l’intuition derrière la formule. Quand on sait que B s’est produit, chaque résultat qui est en
dehors de B doit être jeté. Ainsi, notre univers est réduit à l’ensemble B, Figure (1.12). Maintenant,
la seule façon que A puisse arriver, c’est quand le résultat appartient à l’ensemble A ∩ B. Nous
divisons P( A ∩ B) par P( B), de sorte que la probabilité conditionnelle du nouvel univers devienne
P( B ∩ B )
1, c’est-à-dire, P( B| B) = P( B) = 1.
Notez que la probabilité conditionnelle de P( A| B) est indéfinie lorsque P( B) = 0. C’est bien parce
que si P( B) = 0, cela signifie que l’événement B ne se produit jamais, il n’est donc pas logique de
parler de la probabilité de A étant donné B.
Figure 1.12 – Diagramme de Venn pour la probabilité conditionnelle, P( A| B).
Il est important de noter que la probabilité conditionnelle elle-même est une mesure de probabilité,
elle satisfait donc les axiomes de probabilité. En particulier,
Axiome 1 : Pour tout événement A, P( A| B) ⩾ 0.
37
Axiome 2 : Probabilité conditionnelle de B étant donné B est 1, c’est-à-dire, P( B| B) = 1.
Axiome 3 : Si A1 , A2 , A3 , · · · sont des événements disjoints, alors
P( A1 ∪ A2 ∪ A3 · · · | B ) = P( A1 | B ) + P( A2 | B ) + P( A3 | B ) + · · · .
En fait, toutes les règles que nous avons apprises jusqu’à présent peuvent être étendues à la probabilité
conditionnelle. Par exemple, les formules données dans l’ exemple 1.10 peuvent être réécrites :
Exemple 1.20. Pour trois événements, A, B, et C, avec P(C ) > 0, on a :
P( A c | C ) = 1 − P( A | C );
P(∅|C ) = 0;
P( A|C ) ⩽ 1;
P( A − B | C ) = P( A | C ) − P( A ∩ B | C );
P( A ∪ B | C ) = P( A | C ) + P( B | C ) − P( A ∩ B | C );
Si A ⊂ B alors P( A|C ) ⩽ P( B|C ).
Examinons quelques cas particuliers de probabilité conditionnelle :
Lorsque A et B sont disjoints : dans ce cas A ∩ B = ∅, alors
P( A ∩ B )
P( A | B ) =
P( B )
P( ∅ )
=
P( B )
=0.
C’est logique. En particulier, comme A et B sont disjoints, ils ne peuvent pas se produire tous les
deux en même temps. Ainsi, étant donné que B s’est produit, la probabilité de A doit être nulle.
Lorsque B est un sous-ensemble de A : Si B ⊂ A, alors chaque fois que B arrive, A arrive aussi.
Ainsi, étant donné que B s’est produit, nous nous attendons à ce que la probabilité de A soit un.
Dans ce cas A ∩ B = B, alors
P( A ∩ B )
P( A | B ) =
P( B )
P( B )
=
P( B )
=1.
38
Lorsque A est un sous-ensemble de B : dans ce cas A ∩ B = A, alors
P( A ∩ B )
P( A | B ) =
P( B )
P( A )
= .
P( B )
Exemple 1.21. Je lance un dé équilibré deux fois et j’obtiens deux nombres X1 = résultat du
premier lancer et X2 = résultat du deuxième lancer. Étant donné que je sais X1 + X2 = 7, quelle
est la probabilité que X1 = 4 ou X2 = 4?
Solution
Soit A l’événement X1 = 4 ou X2 = 4 et B l’événement X1 + X2 = 7. Nous sommes intéressés par
P( A| B), nous pouvons donc utiliser
P( A ∩ B )
P( A | B ) =
P( B )
On remarque que
A ={(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6), (1, 4), (2, 4), (3, 4), (5, 4), (6, 4)},
B ={(6, 1), (5, 2), (4, 3), (3, 4), (2, 5), (1, 6)},
A ∩ B ={(4, 3), (3, 4)}.
Nous concluons
2
P( A ∩ B ) 1
P( A | B ) = = 36
= .
P( B ) 6
36
3
Examinons un célèbre problème de probabilité, appelé le problème des deux enfants. De nombreuses
versions de ce problème existent.
Exemple 1.22. Considérons une famille qui a deux enfants. Nous nous intéressons aux sexes des
enfants. Notre univers est S = {( G, G ), ( G, B), ( B, G ), ( B, B)}. Supposons également que les quatre
résultats possibles sont également probables.
1. Quelle est la probabilité que les deux enfants soient des filles sachant que le premier enfant est
une fille ?
2. Nous demandons au père : ≪ as-tu au moins une fille ? Il répond ”oui !” Compte tenu de ces
informations supplémentaires, quelle est la probabilité que les deux enfants soient des filles ?
En d’autres termes, quelle est la probabilité que les deux enfants soient des filles sachant qu’au
moins l’un d’entre eux est une fille ?
Solution
Soit A l’événement pour lequel les deux enfants sont des filles, c’est-à-dire A = {( G, G )}. Soit B le
cas où le premier enfant est une fille, c’est-à-dire B = {( G, G ), ( G, B)}. Enfin, Soit C le cas où au
moins un des enfants est une fille, c’est-à-dire C = {( G, G ), ( G, B), ( B, G )}. Puisque les résultats
sont également probables, nous pouvons écrire
1 2 1 3
P( A ) = , P( B ) = = , P( C ) = .
4 4 2 4
39
1. Quelle est la probabilité que les deux enfants soient des filles sachant que le premier enfant est
une fille ? C’est P( A| B), on peut donc écrire
P( A ∩ B ) P( A )
P( A | B ) = = (puisque A ⊂ B)
P( B ) P( B )
1
1
= 41 = .
2
2
2. Quelle est la probabilité que les deux enfants soient des filles sachant qu’au moins l’un d’entre
eux est une fille ? C’est P( A|C ), on peut donc écrire
P( A ∩ C ) P( A )
P( A | C ) = = (puisque A ⊂ C )
P( C ) P( C )
1
1
= 43 = .
4
3
Discussion : Lorsqu’on leur a demandé de deviner les réponses dans l’exemple ci-dessus, beaucoup
de gens devineraient que les deux P( A| B) et P( A|C ) devrait être 50%. Cependant, comme on le
voit P( A| B) est 50%, tandis que P( A|C ) est seulement 33 pour cent. Ceci est un exemple où les
réponses peuvent sembler contre-intuitives. Pour comprendre les résultats de ce problème, il est utile
de noter que l’événement B est un sous-ensemble de l’événement C. En fait, il est strictement plus
petit : il ne comprend pas l’élément ( B, G ), tandis que C possède cet élément. Ainsi l’ensemble C a
plus de résultats qui ne sont pas dans A que B, ce qui signifie que P( A|C ) devrait être plus petit
que P( A| B).
Règle en chaı̂ne pour la probabilité conditionnelle :

Écrivons la formule de la probabilité conditionnelle dans le format suivant
P( A ∩ B ) = P( A )P( B | A ) = P( B )P( A | B )
Ce format est particulièrement utile dans les situations où nous connaissons la probabilité condition-
nelle, mais nous nous intéressons à la probabilité de l’intersection. Nous pouvons interpréter cette
formule à l’aide d’un diagramme en arbre tel que celui présenté à la figure (1.13). Dans cette figure,
nous obtenons la probabilité à chaque point en multipliant les probabilités sur les branches menant
à ce point. Ce type de diagramme peut être très utile pour certains problèmes.
40
Figure 1.13 – Un diagramme en arbre.
Nous pouvons maintenant étendre cette formule à trois événements ou plus :
P( A ∩ B ∩ C ) = P A ∩ ( B ∩ C )

=P( A )P( B ∩ C | A )
=P( A)P( B| A)P(C | A, B) (en conditionnant les deux côtés par A)
=P( A)P( B| A)P(C | A, B)
Le point ici est de comprendre comment vous pouvez dériver ces formules et d’essayer d’avoir une
intuition à leur sujet plutôt que de les mémoriser. Vous pouvez étendre l’arborescence de la Figure
(1.13) à ce cas. Ici, l’arbre aura huit feuilles. Un énoncé général de la règle de la chaı̂ne pour n
événements est la suivante :
Règle en chaı̂ne pour la probabilité conditionnelle :
P( A 1 ∩ A 2 ∩ · · · ∩ A n ) = P( A 1 )P( A 2 | A 1 )P( A 3 | A 2 , A 1 ) · · · P( A n | A n − 1 , A n − 2 , · · · , A 1 )
Exemple 1.23. Dans une usine, il y a 100 unités d’un produit, 5 sont défectueuses. Nous choisissons
trois unités parmi 100 unités au hasard. Quelle est la probabilité qu’aucune d’elles ne soit défectueuse ?
Solution
Définissons Ai comme l’événement que la i-eme unité choisie n’est pas défectueuse, pour j = 1, 2, 3.
Nous sommes intéressés par P( A1 ∩ A2 ∩ A3 ). Notez que
95
P( A1 ) = .
100
Étant donné que le premier élément choisi était bon, le deuxième élément sera choisi parmi 94 bonnes
unités et 5 unités défectueuses, donc
94
P( A2 | A1 ) = .
99
41
Étant donné que les premier et deuxième éléments choisis étaient corrects, le troisième élément sera
choisi parmi 93 bonnes unités et 5 unités défectueuses, donc
93
P( A3 | A2 , A1 ) = .
98
Ainsi, nous avons
P( A1 ∩ A2 ∩ A3 ) =P( A1 )P( A2 | A1 )P( A3 | A2 , A1 )

95 94 93
=
100 99 98
=0, 8560
Comme nous le verrons plus loin, une autre façon de résoudre ce problème est d’utiliser des arguments
de comptage.
1.4.1 Indépendance
Soit A l’événement ”il pleut demain”, et supposons que P( A) = 13 . Supposons également que
nous lançons une pièce de monnaie. Soit B l’événement qu’il atterrit sur pile en haut. Nous avons
P( B) = 12 .
Quelle est la probabilité P( A| B) ? P( A| B) = P( A) = 31 . Le résultat de mon tirage au sort n’a

rien à voir avec la météo de demain. Ainsi, peu importe si B arrive ou non, la probabilité de A ne
devrait pas changer. Ceci est un exemple de deux événements indépendants. Deux événements sont
indépendants si l’un ne véhicule aucune information sur l’autre. Donnons maintenant une définition
formelle de l’indépendance.
Deux événements A et B sont indépendants si et seulement si P(A ∩ B) = P(A)P(B).
Maintenant, réconcilions d’abord cette définition avec ce que nous avons mentionné plus tôt, P( A| B) =
P( A). Si deux événements sont indépendants, alors P( A ∩ B) = P( A)P( B), alors
P( A ∩ B )
P( A | B ) =
P( B )
P( A )P( B )
=
P( B )
=P( A ).
Ainsi, si deux événements A et B sont indépendants et P( B) ̸= 0, alors P( A| B) = P( A).

Pour résumer, nous pouvons dire ”l’indépendance signifie que nous pouvons multiplier les proba-
bilités des événements pour obtenir la probabilité de leur intersection”, ou de manière équivalente,
”l’indépendance signifie que la probabilité conditionnelle d’un événement donné à un autre est la
même que la probabilité (antérieure) d’origine”. Parfois, l’indépendance de deux événements est
42
assez claire parce que les deux événements semblent n’avoir aucune interaction physique l’un avec
l’autre (comme les deux événements discutés ci-dessus). À d’autres moments, ce n’est pas aussi clair
et nous devons vérifier s’ils satisfont à la condition d’indépendance. Prenons un exemple.
Exemple 1.24. On choisit un nombre au hasard parmi {1, 2, 3, · · · , 10}, et on le note N. on suppose
que tous les résultats soient également probables. Soit A l’événement ”N soit inférieur à 7”, et soit
B l’événement ”N est un nombre pair”. A et B sont-ils indépendants ?
Solution
Nous avons A = {1, 2, 3, 4, 5, 6}, B = {2, 4, 6, 8, 10}, et A ∩ B = {2, 4, 6}. Puis P( A) =
0, 6, P( B) = 0, 5, P( A ∩ B) = 0, 3.
Donc, P( A ∩ B) = P( A)P( B), alors A et B sont indépendants. Cela signifie que sachant que B
s’est produit ne change pas notre croyance quant à la probabilité de A. Dans ce problème, les deux
événements ont à peu près le même nombre aléatoire, mais ils sont toujours indépendants car ils
satisfont à la définition.
La définition de l’indépendance peut être étendue au cas de trois événements ou plus.

Trois événements A, B, et C sont indépendants si toutes les conditions suivantes sont remplies
P( A ∩ B ) =P( A )P( B ),
P( A ∩ C ) =P( A )P( C ),
P( B ∩ C ) =P( B )P( C ),
P( A ∩ B ∩ C ) =P( A )P( B )P( C ).
Notez que les quatre conditions énoncées doivent être remplies pour que trois événements soient
indépendants. En particulier, vous pouvez trouver des situations dans lesquelles trois d’entre elles
tiennent, mais pas la quatrième. En général, pour que n événements A1 , A2 ,· · · ,An soient indépendants
il faut avoir
P( Ai ∩ A j ) = P( Ai )P( A j ), pour tout i, j ∈ {1, 2, · · · , n} distinct;

P( Ai ∩ A j ∩ Ak ) = P( Ai )P( A j )P( Ak ), pour tout distinct i, j, k ∈ {1, 2, · · · , n};
. .
. .
. .
P( A1 ∩ A2 ∩ A3 · · · ∩ A n ) =P( A1 )P( A2 )P( A3 ) · · · P( A n ).
Cela peut sembler difficile, mais nous pouvons généralement affirmer que les événements sont
indépendants d’une manière beaucoup plus simple. Par exemple, nous pourrions être en mesure de
justifier l’indépendance en examinant la manière dont l’expérience aléatoire est réalisée. Un exemple
simple d’événement indépendant est lorsque vous lancez une pièce à plusieurs reprises. Dans une telle
expérience, les résultats de n’importe quel sous-ensemble de lancers de pièces n’ont aucun impact
sur les autres.
Exemple 1.25. Je lance une pièce de monnaie à plusieurs reprises jusqu’à ce que j’observe les
premières piles auquel point je m’arrête. Soit X le nombre total de lancers de pièces. Trouver P( X =
5).
43
Solution
Ici, le résultat de l’expérience aléatoire est un nombre X. Le but est de trouver P( A) = P(5). Mais
que signifie X = 5 ? Cela signifie que les 4 premier lancers de pièces donnent face et le cinquième
donne pile. Le problème est donc de trouver la probabilité de la suite HHHHT en lançant une pièce
cinq fois. Notez que HHHHT est un raccourci pour l’événement ”(le premier lancer donne face)
et (le deuxième lancer donne face) et (le troisième lancer donne face) et (le quatrième lancer donne
face) et (le cinquième lancer donne pile).” Puisque tous les lancers de pièces sont indépendants, on
peut écrire
P( HHHHT ) =P( H )P( H )P( H )P( H )P( T )

1 1 1 1 1
= . . . .
2 2 2 2 2
1
= .
32
Exemple 1.26. Je dois choisir un mot de passe pour un compte d’ordinateur. La règle est que le
mot de passe doit être composé de deux lettres minuscules (a à z) suivies d’une lettre majuscule (A
à Z) suivies de quatre chiffres (0, 1, · · · , 9). Par exemple, ce qui suit est un mot de passe valide
ejT3018
Trouver le nombre total de mots de passe possibles, N.
Un hacker a été capable d’écrire un programme qui génère de manière aléatoire et indépendante
108 mots de passe selon la règle ci-dessus. Notez que le même mot de passe peut être généré
plus d’une fois. Si l’un des mots de passe choisis au hasard correspond à mon mot de passe, il
peut alors accéder aux informations de mon compte. Quelle est la probabilité qu’il réussisse à
accéder aux informations de mon compte ?
Solution
Pour choisir un mot de passe, je dois d’abord choisir une lettre minuscule, puis une autre lettre
minuscule, puis une lettre majuscule, et enfin 4 chiffres. Il y a 26 minuscules, 26 majuscules, et dix
chiffres. Ainsi, par le principe de multiplication, le nombre total de mots de passe valides possibles
est
N = 26 × 26 × 26 × 10 × 10 × 10 × 10 = 263 × 104
Soit Gi l’événement que la conjecture (supposition ou jugement) du pirate informatique i corresponde
à la mienne, pour i = 1, 2, · · · , 108 . La probabilité que le i −ème mot de passe choisi au hasard
corresponde au mien est
1
P( Gi ) =
N
Maintenant, soit P pirate la probabilité que le pirate réussisse, c’est-à-dire qu’au moins un des mots
de passe choisis au hasard corresponde au mien. Rappelons que ≪ au moins ≫ signifie union :
44

P pirate = P
[
Gi
i
A noter que les événements Gi sont indépendants puisque les suppositions sont générées indépendamment,
mais ils ne sont pas disjoints puisque plusieurs suppositions pourraient être correctes si le programme
du pirate génère le même mot de passe. Par conséquent, dans ce cas, il est plus facile de travailler
avec des intersections qu’avec des unions, nous trouverons donc d’abord la probabilité de l’événement
complémentaire :
c
c
P Gi =P
[ \
Gi
i i
N
= ∏ P( Gic ) (par indépendance)
i =1
108
1
= 1−
N
Donc,
108
1
P pirate =1 − 1 −
N
108
1
=1 − 1 − 3
26 × 104
=0, 4339
Nous avons vu que deux événements A et B sont indépendants si P( A ∩ B) = P( A)P( B). Dans les
deux résultats suivants, nous examinons ce que l’indépendance peut nous dire sur d’autres opérations
ensemblistes telles que les compléments et les unions.
Lemme 1.1. Si A et B sont indépendants, alors

A et Bc sont indépendants,
Ac et B sont indépendants,
Ac et Bc sont indépendants.
Démonstration. Nous démontrons la première car les autres peuvent être immédiatement déduites
de la première. Nous avons
P( A ∩ B c ) =P( A − B )
=P( A ) − P( A ∩ B )
=P( A ) − P( A )P( B ) puisque A et B sont indépendants
=P( A)(1 − P( B))
=P( A )P( B c ).
Ainsi, A et Bc sont indépendants.
45
Attention ! Une erreur courante consiste à confondre indépendance et disjonction. Ce sont des
concepts complètement différents. Quand deux événements A et B sont disjoints, cela signifie que
si l’un d’eux se produit, l’autre ne peut pas se produire, c’est-à-dire A ∩ B = ∅. Ainsi, l’événement
A donne généralement beaucoup d’informations sur l’événement B ce qui signifie qu’ils ne peuvent
pas être indépendants. Précisons.
Lemme 1.2. Considérez deux événements A et B, avec P( A) ̸= 0 et P( B) ̸= 0. Si A et B sont

disjoints, alors ils ne sont pas indépendants.
Démonstration. Comme A et B sont disjoints, nous avons
P( A ∩ B ) = 0 ̸ = P( A )P( B ).
Ainsi, A et B ne sont pas indépendants.
Le tableau (1.2) résume les deux concepts de disjonction et d’indépendance.
Table 1.2 – Différences entre disjonction et indépendance.
Concept Signification Formules

A ∩ B = ∅,
Disjoint A et B ne peuvent pas se produire en même temps
P( A ∪ B ) = P( A ) + P( B )
P( A | B ) = P( A ),
Indépendant A ne donne aucune information sur B P( B | A ) = P( B ),
P( A ∩ B ) = P( A )P( B )
1.4.2 Loi de probabilité totale

Commençons cette section en posant une question très simple : dans un certain pays, il y a trois
provinces, appelons-les B1 , B2 , et B3 (c’est-à-dire que le pays est divisé en trois ensembles disjoints
B1 , B2 , et B3 ). Nous nous intéressons à la superficie forestière totale du pays. Supposons que
nous sachions que la superficie forestière de B1 , B2 , et B3 sont 100 km2 , 50 km2 , et 150 km2 ,
respectivement. La superficie forestière totale du pays est
100 km2 + 50 km2 + 150 km2 = 300 km2 .
Autrement dit, vous pouvez simplement ajouter des zones forestières dans chaque province (partition)
pour obtenir la superficie forestière de tout le pays. C’est l’idée derrière la loi de probabilité totale, dans
laquelle la superficie de la forêt est remplacée par la probabilité d’un événement A. En particulier,
si vous voulez trouver P( A), vous pouvez regarder une partition de S, et ajouter la quantité de
probabilité de A qui tombe dans chaque partition. Nous avons déjà vu le cas particulier où la
partition est B et Bc : nous avons vu que pour deux événements quelconques A et B,
P( A ) = P( A ∩ B ) + P( A ∩ B c )
et en utilisant la définition de la probabilité conditionnelle, P( A ∩ B) = P( A| B)P( B), nous pouvons
écrire
P( A ) = P( A | B )P( B ) + P( A | B c )P( B c ).
46
Nous pouvons énoncer une version plus générale de cette formule qui s’applique à une partition
générale de l’univers S.
Loi de probabilité totale : Si B1 , B2 , B3 ,· · · est une partition de l’univers S, alors pour tout
événement A on a
P( A ) = ∑ P( A ∩ B i ) = ∑ P( A | B i )P( B i ).
i i
À l’aide d’un diagramme de Venn, nous pouvons voir de manière imagée l’idée derrière la loi de
probabilité totale. Dans la figure (1.14), nous avons
A1 = A ∩ B1 , A2 = A ∩ B2 , A3 = A ∩ B3 .
Comme on peut le voir sur la figure, A1 , A2 , et A3 forment une partition de l’ensemble A, et donc
par le troisième axiome de probabilité
P( A ) = P( A1 ) + P( A2 ) + P( A3 ).
Figure 1.14 – Loi de probabilité totale.
Voici une preuve de la loi de probabilité totale en utilisant des axiomes de probabilité :
Voici un scénario typique dans lequel nous utilisons la loi de probabilité totale. On s’intéresse à la
probabilité d’un événement A, mais nous ne savons pas comment trouver P( A) directement. Au
lieu de cela, nous connaissons la probabilité conditionnelle de A étant donné certains événements Bi ,
où les Bi forment une partition de l’univers. Ainsi, nous pourrons trouver P( A) en utilisant la loi de
probabilité totale, P( A) = ∑i P( A| Bi )P( Bi ).
Exemple 1.27. J’ai trois sacs qui contiennent chacun 100 billes :
Le sac 1 a 75 billes rouges et 25 billes bleues ;
Le sac 2 a 60 billes rouges et 40 billes bleues ;
Le sac 3 a 45 billes rouges et 55 billes bleues.

Je choisis un des sacs au hasard, puis je choisis une bille dans le sac choisi, également au hasard.
Quelle est la probabilité que la bille choisie soit rouge ?
47
Solution
Soit R l’événement où la bille choisie est rouge. Soit Bi l’événement que je choisisse le sac i. Nous
savons déjà que
P( R| B1 ) =0, 75,
P( R| B2 ) =0, 60,
P( R| B3 ) =0, 45
Nous choisissons notre partition comme B1 , B2 , B3 . Notez qu’il s’agit d’une partition valide car,
premièrement, les Bi sont disjoints (un seul d’entre eux peut se produire), et deuxièmement, parce
que leur union est l’ensemble fondamental (univers) car l’un des sacs sera choisi à coup sûr, c’est-à-
dire, P( B1 ∪ B2 ∪ B3 ) = 1. En utilisant la loi de probabilité totale, on peut écrire
P( R) =P( R| B1 )P( B1 ) + P( R| B2 )P( B2 ) + P( R| B3 )P( B3 )

1 1 1
=(0, 75) + (0, 60) + (0, 45)
3 3 3
= 0, 60
1.4.3 Règle de Bayes

Nous sommes maintenant prêts à énoncer l’un des résultats les plus utiles en probabilité condition-
nelle : la règle de Bayes. Supposons que nous sachions P( A| B), mais on s’intéresse à la probabilité
P( B| A). En utilisant la définition de la probabilité conditionnelle, nous avons
P( A | B )P( B ) = P( A ∩ B ) = P( B | A )P( A ).
En divisant par P( A), on obtient
P( A | B )P( B )
P( B | A ) = ,
P( A )
qui est la fameuse règle de Bayes. Souvent, pour trouver P( A) dans la formule de Bayes, nous
devons utiliser la loi de probabilité totale, donc parfois la règle de Bayes est énoncée comme
P( A | B j )P( B j )
P( B j | A ) = ,
∑i P( A| Bi )P( Bi )
où B1 , B2 ,· · · , Bn forment une partition de l’univers.
Règle de Bayes
Pour deux événements A et B, où P( A) ̸= 0, on a
P( A | B )P( B )
P( B | A ) = .
P( A )
48
Si B1 , B2 , B3 ,· · · forment une partition de l’univers S, et A est un événement avec P( A) ̸= 0,
on a
P( A | B j )P( B j )
P( B j | A ) = .
∑i P( A| Bi )P( Bi )
Exemple 1.28. Dans l’ exemple (1.27) , supposons que l’on observe que la bille choisie est rouge.
Quelle est la probabilité que le sac 1 ait été choisi ?
Solution
Ici, nous savons P( R| Bi ) mais nous nous intéressons P( B1 | R), c’est donc un scénario dans lequel
nous pouvons utiliser la règle de Bayes. Nous avons
P( R| B1 )P( B1 )
P( B1 | R) =
P( R )
1
0.75 × 3
=
0.6
5
= .
12
P( R) a été obtenue en utilisant la loi de probabilité totale de l’exemple 1.24, nous n’avons donc pas
eu à la recalculer ici. Aussi, notez que P( B1 | R) = 12 5
> 31 . Cela a du sens intuitivement car le sac
1 est le sac avec le plus grand nombre de billes rouges. Ainsi si la bille choisie est rouge, il est plus
probable que le sac 1 ait été choisi.
Exemple 1.29 (Paradoxe du faux positif). Une certaine maladie affecte environ 1 personne sur 10
000. Il y a un test pour vérifier si la personne a la maladie. Le test est assez précis. En particulier,
nous savons que
la probabilité que le résultat du test soit positif (suggérant que la personne a la maladie), étant
donné que la personne n’a pas la maladie, n’est que de 2%;
la probabilité que le résultat du test soit négatif (suggérant que la personne n’a pas la maladie),
étant donné que la personne a la maladie, n’est que de 1%.
Une personne au hasard est testée pour la maladie et le résultat est positif. Quelle est la probabilité
que la personne soit atteinte de la maladie ?
Solution
Soit D l’événement que la personne a la maladie, et soit T l’événement pour le cas où le résultat du
test est positif. Nous savons
1
P( D ) = ,
10000
P( T | D c ) = 0, 02,
P( T c | D ) = 0, 01
Ce que nous voulons calculer est P( D | T ). Encore une fois, nous utilisons la règle de Bayes :
49
P( T | D )P( D )
P( D | T ) =
P( T | D )P( D ) + P( T | D c )P( D c )
(1 − 0, 01) × 0, 0001
=
(1 − 0, 01) × 0, 0001 + 0, 02 × (1 − 0, 0001)
=0, 0049
Cela signifie qu’il y a moins d’un demi pour cent de chances que la personne soit atteinte de la maladie.
Discussion : Cela peut sembler quelque peu contre-intuitif car nous savons que le test est assez
précis. Le fait est que la maladie est également très rare. Ainsi, il y a ici deux forces concurrentes, et
puisque la rareté de la maladie (1 sur 10 000) est plus forte que la précision du test (98 ou 99%), il
y a encore de bonnes chances que la personne n’ait pas la maladie.
1.4.4 Indépendance conditionnelle

Comme nous l’avons mentionné précédemment, presque tous les concepts définis pour la probabilité
peuvent également être étendus à la probabilité conditionnelle. Rappelez-vous que deux événements
A et B sont indépendants si
P( A ∩ B ) = P( A )P( B ), ou de manière équivalente, P( A| B) = P( A).

On peut étendre ce concept à des événements conditionnellement indépendants. En particulier,
Définition 1.2. Deux événements A et B sont conditionnellement indépendants étant donné un
événement C avec P(C ) > 0 si
P( A ∩ B | C ) = P( A | C )P( B | C ) (1.8)
1.4.5 Problèmes résolus : probabilité conditionnelle

Dans les problèmes de dés et de pièces, sauf indication contraire, il est supposé que les pièces et les
dés sont équilibrés et que les essais répétés sont indépendants.
1. Vous achetez un certain produit. Le manuel indique que la durée de vie T du produit, défini
comme la durée (en années) pendant laquelle le produit fonctionne correctement jusqu’à ce
qu’il tombe en panne, satisfait
t
P( T ⩾ t) = e− 5 , pour tout t ⩾ 0.
Par exemple, la probabilité que le produit dure plus de (ou égale à) 2 ans est P( T ⩾ 2) =
2
e− 5 = 0, 6703. J’achète le produit et l’utilise depuis deux ans sans aucun problème. Quelle est
la probabilité qu’il tombe en panne la troisième année ?
Solution
Soit A l’événement qu’un produit acheté tombe en panne au cours de la troisième année.
50
Aussi, soit B l’événement qu’un produit acheté ne tombe pas en panne au cours des deux
premières années. Nous sommes intéressés par P( A| B). Nous avons
2
P( B ) = P( T ⩾ 2) = e − 5 .
Nous avons également
2 3
P( A ) = P (2 ⩽ T ⩽ 3) = P( T ⩾ 2) − P( T ⩾ 3) = e − 5 − e − 5 .
Enfin, comme A ⊂ B, on a A ∩ B = A. Donc,
2 3
P( A ∩ B ) P( A ) e− 5 − e− 5
P( A | B ) = = = = 0, 1813
P( B ) P( B ) 2
e− 5
2. Vous lancez une pièce de monnaie équilibrée trois fois :
(a) Quelle est la probabilité de trois faces, HHH?
(b) Quelle est la probabilité que vous observiez exactement une face ?
(c) Sachant que vous avez observé au moins une face, quelle est la probabilité que vous
observiez au moins deux faces ?
Solution
Nous supposons que les tirages au sort sont indépendants.
(a) P( HHH ) = P( H ) · P( H ) · P( H ) = 0, 53 = 18 .
(b) Pour trouver la probabilité d’exactement une face, on peut écrire
P(Une face) =P( HTT ∪ THT ∪ TTH )
=P( HTT ) + P( THT ) + P( TTH )
1 1 1
= + +
8 8 8
3
= .
8
(c) Sachant que vous avez observé au moins une face, quelle est la probabilité que vous
observiez au moins deux faces ? Soit A1 l’événement que vous observez au moins une
face, et A2 l’événement que vous observez au moins deux faces. Puis
7
A1 = S − { TTT }, et P( A1 ) = ;
8
4
A2 = { HHT, HTH, THH, HHH }, et P( A2 ) = .
8
Ainsi, nous pouvons écrire
P( A2 ∩ A1 ) P( A2 ) 4 8 4
P( A2 | A1 ) = = = . = .
P( A1 ) P( A1 ) 8 7 7
51
3. Dans une ville, il pleut un tiers des jours. Étant donné qu’il pleut, il y aura un trafic important
avec probabilité de 12 , et étant donné qu’il ne pleut pas, il y aura un trafic important avec
probabilité de 14 . S’il pleut et qu’il y a beaucoup de circulation, vous arrivez en retard au travail
avec probabilité de 21 . En revanche, la probabilité d’être en retard est réduite à 81 s’il ne pleut
pas et qu’il n’y a pas de circulation dense. Dans d’autres situations (pluvieux et pas de circu-
lation, pas de pluie et circulation), la probabilité d’être en retard est 0, 25. Vous choisissez un
jour au hasard.
(a) Quelle est la probabilité qu’il ne pleuve pas et que la circulation soit dense et que vous
ne soyez pas en retard ?
(b) Quelle est la probabilité que vous soyez en retard ?
(c) Étant donné que vous êtes arrivé en retard au travail, quelle est la probabilité qu’il ait plu
ce jour-là ?
Solution
Soit R l’événement qu’il pleut, T l’événement qu’il y a un trafic lourd, et L l’événement que
je suis en retard au travail. Comme on le voit dans l’énoncé du problème, on nous donne des
probabilités conditionnelles sous forme de chaı̂ne. Ainsi, il est utile de dessiner un diagramme
en arbre. La figure (1.15) montre un diagramme en arbre pour ce problème. Dans cette figure,
chaque feuille de l’arbre correspond à un seul résultat dans l’univers. Nous pouvons calculer les
probabilités de chaque résultat dans l’espace échantillon en multipliant les probabilités sur les
bords de l’arbre qui mènent au résultat correspondant.
Figure 1.15 – Diagramme en arbre.
(a) La probabilité qu’il ne pleuve pas et qu’il y ait beaucoup de circulation et qu’ on ne soit
pas en retard peut être trouvée à l’aide de l’arbre qui applique en fait la règle de la chaı̂ne :
2 1 3 1
P( R c ∩ T ∩ L c ) = P( R c )P( T | R c )P( L c | R c ∩ T ) = · · = .
3 4 4 8
52
(b) La probabilité qu’on soit en retard peut être trouvée à partir de l’arbre. Tout ce que nous
avons à faire est d’additionner les probabilités des résultats qui correspondent au retard.
En fait, nous utilisons ici la loi de la probabilité totale.
P( L) =P( R, T, L) + P( R, T c , L) + P( Rc , T, L) + P( Rc , T c , L)
1 1 1 1
= + + +
12 24 24 16
11
= .
48
P( R ∩ L )
(c) Nous pouvons trouver P( R| L) en utilisant P( R| L) = P( L )
. Nous avons déjà trouvé
P( L) = 11 48 , et on peut trouver P( R ∩ L ) de même en ajoutant les probabilités des
résultats qui appartiennent à R ∩ L. En particulier,
1 1 1
P( R ∩ L) = P( R, T, L) + P( R, T c , L) = + = .
12 24 8
Ainsi, on obtient
P( R ∩ L ) 1 48 6
P( R | L ) = = . = .
P( L ) 8 11 11
1.4.6 Exercices
1. Supposons que l’univers S est défini comme S = {1, 2, · · · , 10} et A = {1, 2, 3}, B = { X ∈
S : 2 ⩽ X ⩽ 7}, et C = {7, 8, 9, 10}.
(a) Trouver A ∪ B.
(b) Trouver ( A ∪ C ) − B.
(c) Trouver Ā ∪ ( B − C ) .
(d) Les ensembles A, B ,et C forment-ils une partition de S?
2. En travaillant avec des nombres réels, l’univers est R. Trouvez chacun des ensembles suivants.
(a) [6, 8] ∪ [2, 7[

(b) [6, 8] ∩ [2, 7[
(c) [0, 1]c
(d) [6, 8]−]2, 7[
3. Pour chacun des diagrammes de Venn dans la figure (1.16), écrivez l’ensemble indiqué par la
zone ombrée.
53
(a) (b) (c) (d)
Figure 1.16
4. Une pièce est lancée deux fois. Soit S l’ensemble de toutes les paires possibles qui peuvent être
observées, c’est-à-dire S = { H, T } × { H, T } = {( H, H ), ( H, T ), ( T, H ), ( T, T )}. Écrire les
ensembles suivants en listant leurs éléments.
(a) A : Le premier lancer donne face.

(b) B : Au moins une pile est observée.
(c) C : Les deux lancers de pièces donnent des résultats différents.
5. Soit A = {1, 2, · · · , 100}. Pour tout i ∈ N, Définir Ai comme l’ensemble des nombres dans
A qui sont divisibles par i. Par exemple :
A2 = {2, 4, 6, · · · , 100}, A3 = {3, 6, 9, · · · , 99}.
(a) Trouver | A2 |, | A3 |, | A4 |, | A5 |.
(b) Trouver | A2 ∪ A3 ∪ A5 |.
6. Supposer que A1 , A2 , A3 forment une partition de l’univers S. Soit B un ensemble arbitraire.

Supposons que nous sachions
| B ∩ A1 | =10,
| B ∩ A2 | =20,
| B ∩ A3 | =15.
Trouver | B|.
7. Soient A et B deux événements tels que
P( A) = 0, 4, P( B) = 0, 7, P( A ∪ B) = 0, 9
(a) Trouver P( A ∩ B).

(b) Trouver P( Ac ∩ B).
(c) Trouver P( A − B).
(d) Trouver P( Ac − B).
(e) Trouver P( Ac ∪ B).
54
(f) Trouver P( A ∩ ( B ∪ Ac )).
8. Je lance deux fois un dé et j’obtiens deux nombres : X1 = résultat du premier lancer, X2 =
résultat du deuxième lancer.
(a) Trouvez la probabilité que X2 = 4.

(b) Trouvez la probabilité que X1 + X2 = 7.
(c) Trouvez la probabilité que X1 ̸= 2 et X2 ⩾ 4.
9. Dans une usine, il y a 100 unités d’un certain produit, dont 5 sont défectueuses. Nous choisis-
sons trois unités parmi les 100 unités au hasard. Quelle est la probabilité qu’exactement l’une
d’entre elles soit défectueuse ?
10. Je lance deux fois un dé et j’obtiens deux nombres X et Y. Soit A l’événement X = 2, B
l’événement X + Y = 7, et C l’événement Y = 3.
(a) A et B sont-ils indépendant ?

(b) A et C sont-ils indépendant ?
(c) B et C sont-ils indépendant ?
(d) A, B et C sont-ils indépendant ?
55

Chap1-2-3-Probabilité L2 LMD Mines Pétrole Génie Civil-3-56

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chap1-2-3-Probabilité L2 LMD Mines Pétrole Génie Civil-3-56

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1

1.1 Introduction : Qu’est-ce que la probabilité ?

1.2 Rappel de quelques notions de la théorie des ensembles

Un ensemble est une collection d’objets (éléments).

Exemple 1.1. Quelques ensembles utilisés dans ce cours :

• L’ensemble des nombres naturels, N = {0, 1, 2, 3, · · · }.

A = { x | x satisfait une propriété} ou A = { x : x satisfait une propriété}

Les symboles ”|” et ” :” se prononcent ”tel que”.

Un ensemble A est un sous-ensemble de l’ensemble B si chaque élément de A est aussi un élément

Exemple 1.3. Voici quelques exemples d’ensembles et de leurs sous-ensembles :

1.2.1 Diagrammes de Venn

(b) Diagramme de Venn

1.2.2 Opérations sur les ensembles

De même, nous pouvons définir l’union de trois ensembles ou plus. En particulier, si A1 , A2 , A3 ,· · · ,

Par exemple, si A1 = { a, b, c}, A2 = {c, h}, A3 = { a, d}, alors i Ai = A1 ∪ A2 ∪ A3 =

{ a, b, c, h, d}. On peut de même définir l’union d’une infinité d’ensembles A1 ∪ A2 ∪ A3 ∪ · · · .

(a) Ensemble A ∩ B. (b) Ensemble A ∩ B ∩ C.

(a) La zone grise montre (b) La zone grise montre l’en-

Ensembles disjoints et partition

(b) La collection d’ensembles

Théorème 1.1 (Loi de De Morgan). Pour tous les ensembles A1 , A2 ,· · · , An , on a

• ( A1 ∪ A2 ∪ A3 ∪ · · · An )c = A1c ∩ A2c ∩ A3c · · · ∩ Acn ;

Théorème 1.2 (Loi distributive). Pour tous les ensembles A, B, et C on a

e) Vérifiez la loi de De Morgan en trouvant ( A ∪ B)c et Ac ∩ Bc .

f) Vérifiez la loi distributive en trouvant A ∩ ( B ∪ C ) et ( A ∩ B) ∪ ( A ∩ C ).

A × B = {(1, H ), (1, T ), (2, H ), (2, T ), (3, H ), (3, T )}.

Si vous avez deux ensembles finis A et B, où A a M éléments et B a N éléments, alors A × B a

1.2.3 Cardinalité : ensembles dénombrables et indénombrables

Généralement, pour n ensembles finis A1 , A2 , A3 ,· · · , An , nous pouvons écrire

Exemple 1.5. Dans une fête,

 10 personnes ont porté des chemises blanches ;

 8 personnes ont porté des chemises rouges ;

 4 personnes ont porté des chaussures noires et des chemises blanches ;

 3 personnes ont porté des chaussures noires et des chemises rouges ;

Combien de personnes ont des chaussures noires ?

Aussi, il est raisonnable de supposer que W et R sont disjoints, |W ∩ R| = 0. Ainsi, en appliquant

Figure 1.6 – Diagramme de Venn inclusion-exclusion.

1.2.5 Ensembles infinis

 Z = {0, 1, −1, 2, −2, 3, −3, · · · }.

a) si c’est un ensemble fini, | A| < ∞; ou

 N, Z, Q, et tous leurs sous-ensembles sont dénombrables.

 Considérons la fonction f : R → R, défini comme f ( x ) = x2 . Cette fonction prend n’importe

 Considérons la fonction g : { H, T } → {0, 1}, défini comme g( H ) = 0 et g( T ) = 1. Cette

La sortie d’une fonction f : A → B appartient toujours au co-domaine B. Cependant, toutes les

2. À l’aide des diagrammes de Venn, vérifiez les identités suivantes.

3. Soit S = {1, 2, 3}. Écrivez toutes les partitions possibles de S.

4. Déterminez si chacun des ensembles suivants est dénombrable ou indénombrable.

(a) A = { x ∈ Q| − 100 ⩽ x ⩽ 100}

5. Trouver l’image de la fonction f : R → R défini comme f ( x ) = sin( x ).

 Expérience aléatoire : lancer d’un dé ; univers : S = {1, 2, 3, 4, 5, 6}.

 Expérience aléatoire : observez le nombre de buts dans un match de football ; univers : S =

Résultat : Résultat d’une expérience aléatoire.

Union et intersection : si A et B sont des événements, alors A ∪ B et A ∩ B sont aussi des

 Axiome 1 : Pour tout événement A, P( A) ⩾ 0.

 Axiome 2 : Probabilité de l’univers S est P(S) = 1.

 Axiome 3 : Si A1 , A2 , A3 , · · · sont des événements disjoints, alors

Exemple 1.8. À une élection présidentielle, il y a quatre candidats : A, B, C et D. Sur la base

P(A gagne ou B gagne) =P {A gagne} ∪ {B gagne}

=P({A gagne}) + P({B gagne})

En résumé, si A1 et A2 sont des événements disjoints, alors P( A1 ∪ A2 ) = P( A1 ) + P( A2 ). Le

Parallélisme entre la terminologie ensembliste et la terminologie probabi-

Le couple (S, P (S)) s’appelle un espace probabilisable.

1.3.3 Détermination des probabilités

10 personnes ont porté des chemises blanches ;

8 personnes ont porté des chemises rouges ;

4 personnes ont porté des chaussures noires et des chemises blanches ;

3 personnes ont porté des chaussures noires et des chemises rouges ;

Z = {0, 1, −1, 2, −2, 3, −3, · · · }.

N, Z, Q, et tous leurs sous-ensembles sont dénombrables.

Considérons la fonction f : R → R, défini comme f ( x ) = x2 . Cette fonction prend n’importe

Considérons la fonction g : { H, T } → {0, 1}, défini comme g( H ) = 0 et g( T ) = 1. Cette

Expérience aléatoire : lancer d’un dé ; univers : S = {1, 2, 3, 4, 5, 6}.

Expérience aléatoire : observez le nombre de buts dans un match de football ; univers : S =

Axiome 1 : Pour tout événement A, P( A) ⩾ 0.

Axiome 2 : Probabilité de l’univers S est P(S) = 1.

Axiome 3 : Si A1 , A2 , A3 , · · · sont des événements disjoints, alors

avec une probabilité de 12 , je perds 1 dollar ;

avec une probabilité de 14 , je gagne 0 dollar ;

avec une probabilité de 81 , je gagne 1 dollar ;

avec une probabilité de 1

avec une probabilité de 1

Axiome 1 : Pour tout événement A, P( A| B) ⩾ 0.

Axiome 3 : Si A1 , A2 , A3 , · · · sont des événements disjoints, alors

Si A ⊂ B alors P( A|C ) ⩽ P( B|C ).